Sztuczna inteligencja — mity a rzeczywistość

Od czasów premiery ChatGPT pod koniec 2022 r. można śmiało powiedzieć, że świat się zmienił. Nawet nie chcę tu wchodzić w to, czy zmiany są na lepsze czy gorsze pod kątem tego, jak sztuczna inteligencja wpłynęła na ludzi, w jaki sposób pracujemy bądź korzystamy z Internetu. Jednak jest jedno zjawisko, które zdecydowanie mi się nie podoba — ogromna liczba mitów, teorii spiskowych i półprawd, które są ochoczo powielane przez technologicznych influencerów. A co gorsza, wykorzystywane są one w celach marketingowych przez największe firmy AI. W tym artykule postaram się wyjaśnić, z czym tak naprawdę mamy do czynienia jako sztuczną inteligencją w połowie roku 2026, a także przy okazji obalić kilka powszechnych mitów.

Uwaga wstępna

Nie wiem, kiedy czytasz ten artykuł, ale weź pod uwagę, że powstawał od kwietnia do lipca 2026 r. Sztuczna inteligencja rozwija się bardzo dynamicznie i niektóre informacje się szybko dezaktualizują. Nie zapewnię, że wszystkie tezy tutaj zawarte będą aktualne za rok czy dwa (w szczególności opisy możliwości AI), jednak postarałem się poruszyć przede wszystkim takie tematy, które są bardziej fundamentalne i nie powinny szybko ulec zmianie. Jeśli nie, to mam nadzieję, że przynajmniej memy, które od czasu do czasu tu wplotłem, dalej będą zabawne.

Dodam też, że nikt mi nie zapłacił za opisywanie i polecanie konkretnych narzędzi. Po prostu opisuję to, co znam, co jest popularne i co uważam za warte uwagi.

Dlaczego mam Ci wierzyć?

Nie powiem, żebym lubił robić takie wstępy ani tym bardziej zmuszać kogokolwiek do czytania ich, więc jeśli chcesz przejść do konkretów, przewiń do następnego akapitu albo kliknij tutaj.

Przyznam, że we wstępie dałem dość mocne tezy podważające ekspertyzę niektórych osób. Dlatego też możesz się zastanawiać, dlaczego to mi miałbyś/miałabyś wierzyć. I tu zaskoczę — absolutnie nie musisz, możesz potraktować to, co tu jest napisane, tylko jako stronę w dyskusji. Jednak chcę dać trochę tła, jeśli pierwszy raz trafiasz na tego bloga czy moją osobę.

Jeśli chcesz dowiedzieć się czegoś więcej o moim podejściu do bloga, jak i o mnie samym, naciśnij poniżej na napis „Więcej”, aby rozwinąć ten akapit.

Kwestia nazewnictwa

Sztuczna inteligencja (AI)

Powszechnie stosujemy bardzo duże uproszczenie — pisząc „sztuczna inteligencja” (AI — Artificial Intelligence), mamy na myśli głównie modele językowe, takie jak ChatGPT (czy po prostu GPT), Gemini, Claude czy inne tego typu. Czasami też do tej grupy zaliczamy inne modele generatywne: generujące obrazy (np. Nano Banana), filmy (np. Sora) bądź muzykę (np. Suno). Zresztą nieraz są one dostępne z poziomu jednego interfejsu, tak jak to oferuje googlowskie Gemini, dlatego utożsamia się je ze sobą.

Jednak należy pamiętać, że sztuczna inteligencja to znacznie szersze pojęcie, które obejmuje wiele różnych podejść. Generatywna sztuczna inteligencja, czyli ta generująca tekst, obrazy, dźwięki i inne treści, jest tylko jednym z nich. Co więcej, sieci neuronowe, na których bazują, to także tylko mały wycinek całej dziedziny sztucznej inteligencji. Ba, uczenie maszynowe, którego jedną z technik są sieci neuronowe, również jest tylko wycinkiem AI.

Poniżej znajdziesz mały diagram Venna, na którym pokazuję, gdzie to, co powszechnie nazywamy AI, znajduje się w szerszym kontekście całej dziedziny sztucznej inteligencji.

Jeśli chcesz głębiej wejść w temat, to w 2020 r. na swoim blogu poświęciłem już cały artykuł definicji sztucznej inteligencji: Sztuczna inteligencja — a co to? a komu to potrzebne?. Mimo że po sześciu latach krajobraz możliwości i zastosowań sztucznej inteligencji znacznie się zmienił, spora część artykułu jest wciąż aktualna.

W skrócie, jeśli chcesz posługiwać się poprawnymi nazwami, to:

• GPT, Gemini, Claude i inne AI generujące tekst to duże modele językowe (LLM — Large Language Models).
• Analogicznie, mówimy o modelach generujących obrazy, wideo czy dźwięk.
• Natomiast wszystko to nazywamy generatywną sztuczną inteligencją (Generative AI), która jest tylko jednym z wielu podejść w dziedzinie sztucznej inteligencji.

Generatywna sztuczna inteligencja (Generative AI)

Chciałbym dopowiedzieć jeszcze trochę na temat generatywnej sztucznej inteligencji. O ile wyjaśniłem ją powyżej, to czytając źródła takie jak np. Wikipedia czy ten artykuł od IBM, możemy odnieść wrażenie, że generatywna sztuczna jest jedynie oparta na uczeniu maszynowym. Tymczasem na swoim diagramie Venna pokazałem, że jedynie przecina uczenie maszynowe i sieci neuronowe, a też spora część kółka jest poza nimi. Pozwól, że wyjaśnię.

Większość źródeł piszących o generatywnej AI skupia się przede wszystkim na współczesnych podejściach do niej, które faktycznie opierają się na uczeniu maszynowym i sieciach neuronowych. Polska Wikipedia na poparcie tego przykładowo cytuje artykuł z 2016 r. z bloga OpenAI Generative Models. Jednak artykuł ten nie mówi, że cała generatywna AI opiera się na uczeniu maszynowym. Wskazuje jedynie, że generatywne modele są jedną z gałęzi uczenia maszynowego i oni stosują to podejście.

Jeśli nie uczenie maszynowe, to co? Zakodowane odgórnie reguły i heurystyki. Wiele wczesnych systemów sztucznej inteligencji opierało się na przeniesieniu wiedzy ekspertów do kodu i na tej podstawie było w stanie funkcjonować. Bardzo prosty przykład, aczkolwiek niegeneratywnej AI, pokazałem na swoim blogu w artykule o grze w kółko i krzyżyk. Przedstawiłem tam 8-krokową strategię wygrywania tej gry, a następnie przenieśliśmy ją na kod. Jest to skrajnie prosty przypadek, ale dosłownie w taki sposób powstawały systemy ekspertowe. Natomiast heurystyki zwykle są dopasowane pod konkretny problem. Przykładowo, operując na tekście, możemy stosować dopasowywanie wzorca, aby spróbować określić znaczenie czy wyciągnąć z niego informacje. Podejścia oczywiście można łączyć — wygenerować coś zupełnie losowego, a następnie próbować poprawiać za pomocą (meta)heurystyk (symulowanego wyżarzania, algorytmów ewolucyjnych itp.), które wynik oceniałyby na podstawie reguł.

A gdzie w tym faktyczne zastosowania do generowania treści? Poniżej przykłady istniejących systemów, które można zaklasyfikować jako generatywną sztuczną inteligencję, ale nie opierały się na uczeniu maszynowym:

• ELIZA — czatbot opublikowany w 1966 r., który symulował rozmowę z psychoterapeutą (przez moduł o nazwie DOCTOR). Jego działanie opierało się na prostych regułach dopasowywania wzorców w celu wyciągnięcia słów kluczowych z wypowiedzi użytkownika i generowania odpowiedzi na ich podstawie. Współczesną, wierną oryginałowi implementację możesz przetestować tutaj, a jej kod znajdziesz tutaj. Natomiast skany oryginalnego kodu źródłowego są na Wikimedia Commons.
• AARON — aplikacje do generowania obrazów, które bazowały na zestawie reguł opracowanych przez artystę Harolda Cohena. Pierwsza wersja została opublikowana w 1972 r. i kolejne powstawały aż do śmierci artysty w 2016 r. Opis działania wraz z przykładowymi obrazami znajdziesz w tym artykule.
• Illiac Suite — opublikowane w 1957 r. pierwsze utwory muzyczne wygenerowane przez komputer. Algorytm opracowany przez L. Hillera i L. Isaacsona opierał się na regułach, jak komponuje się utwory klasyczne. Utwory te, wraz z opisem co dokładnie chciano przy każdym z nich osiągnąć, znajdziesz w tym artykule.

Uczenie maszynowe ułatwia ten proces, bo zamiast spisywać i programować reguły, projektujemy modele, które w procesie treningu mają na celu wydobyć je z danych, a następnie wykorzystać je do generowania nowych treści. Warto jednak mieć na uwadze, że uczenie maszynowe nie jest jedynym podejściem do sztucznej inteligencji, w tym generatywnej.

Ogólna sztuczna inteligencja (AGI)

Wejdźmy teraz w mniej jednoznaczny termin, czyli ogólna sztuczna inteligencja (AGI — Artificial General Intelligence). Coraz częściej możemy usłyszeć o niej jako o czymś, co jest tuż za rogiem, więc warto się zastanowić, co to właściwie jest.

W kontekście AGI często widziałem powoływanie się na artykuł Levels of AGI for Operationalizing Progress on the Path to AGI od naukowców związanych z Google DeepMind, który w mojej ocenie podchodzi dość zdroworozsądkowo do tematu sztucznej inteligencji. Poniżej znajdziesz streszczenie głównych punktów tego artykułu, z paroma moimi wtrąceniami. Co warto zaznaczyć, artykuł ten nie daje konkretnej, słownikowej definicji AGI, ani też gotowego testu jak ją rozpoznać. Jest bardziej formą przesunięcia dyskusji z definicji filozoficznej na definicję techniczną (mierzalną).

9 definicji AGI

Naukowcy najpierw przedstawili dotychczasowe sposoby rozpoznania AGI. Wyróżnili 9 ich zdaniem najważniejszych:

1. Zdaje test Turinga. O teście Turinga pisałem już w artykule o testowaniu AI z 2020 r. Już wtedy było wiadomo, że test ten nie sprawdza inteligencji, tylko umiejętność udawania człowieka. Dzisiejsze LLM-y nie mają z tym najmniejszego problemu, a nie uznajemy ich za AGI (o tym dalej).
2. Jest silną AI. Silna AI to sztuczna inteligencja posiadająca świadomość. O tej kwestii opowiem szczegółowo później, jednak główną wadą tej metody jest to, że nie ma naukowego konsensusu, w jaki sposób wykryć posiadanie świadomości.
3. Przypomina ludzki mózg. Ta definicja sugeruje, że AGI powinno odwzorowywać w działaniu i zdolnościach mózg człowieka. O ile sieci neuronowe są inspirowane połączeniami neuronów (stąd nazwa), to jednak ich działanie odbiega od ludzkiego mózgu, a mimo to osiągamy w konkretnych zadaniach podobne lub lepsze wyniki. Stąd AGI niekoniecznie musi zachowywać te analogie.
4. Wyniki* podobne do ludzkich przy zadaniach kognitywnych. Według tej definicji AGI powinno być w stanie wykonywać tak samo zadania umysłowe jak ludzie. Jest to jednak nieprecyzyjna definicja, bo nie wskazuje na konkretne zadania i do jakich ludzi porównujemy.
   * W oryginale jest słowo „performance”, które oznacza zarówno wyniki, jak i wydajność, stąd można to rozumieć dwojako. Dalej w tekście będę traktować to jako „poprawność wyników”.
5. Umiejętność uczenia się wykonywania zadań. AGI powinno umieć samo nauczyć się wykonywania różnych zadań, do których nie zostało wstępnie wytrenowane, tak jak to robią ludzie. Uznaje się to za jedno z najważniejszych wymagań ogólnej sztucznej inteligencji.
6. Jej praca ma znaczenie ekonomiczne. Według tej definicji AGI to wysoce autonomiczne systemy, które przewyższają ludzi w wykonywaniu najbardziej wartościowych ekonomicznie zadań. O ile definicja ta ma sens z punktu widzenia, że definiuje konkretną umiejętność, to jednak inteligencji nie możemy mierzyć jedynie w taki sposób. Przykładowo, inteligencja emocjonalna czy artystyczna nie ma bezpośredniego (ale może mieć pośrednie) przełożenia na ekonomię. Zresztą już dziś mamy systemy agentowe automatyzujące wiele czynności i tym samym przynoszące zysk, jednak nie uznajemy ich za AGI.
7. Elastyczna i ogólna. Jest to definicja nawiązująca do artykułu Dear Elon Musk, here are five things you might want to consider about AGI G. Marcusa. W skrócie mówiąc, jego zdaniem AGI to jakiekolwiek inteligencje, które są elastyczne i ogólne jak ludzka i potrafią wykonywać typowe ludzkie czynności. Wymienił w tekście 5 przykładowych zadań, które AGI powinno umieć wykonać. Problem jest jednak taki, że zadania te wcale nie określają jednoznacznie, że mamy do czynienia z AGI. Jednak jest to dobra baza do stworzenia odpowiedniego testu. Warto zaznaczyć, że jedno z zadań opisanych przez Marcusa wymaga posiadania robotycznego ciała (test kawy Wozniaka), a jest to coś odrębnego od AI (co również opisuję dalej w tekście).
8. Artificial Capable Intelligence (ACI). W 2023 r. M. Suleyman zaproponował pojęcie zdolnej sztucznej inteligencji, czyli systemów AI o wystarczającej ogólności i prawidłowości wyników, aby wykonywać złożone, wieloetapowe zadania w otwartym świecie. Jako przykład takich możliwości zasugerował, że ACI po otrzymaniu 100 tysięcy dolarów kapitału powinna z nich wypracować 1 milion w ciągu kilku miesięcy. Dostajemy tutaj syntezę dwóch wcześniejszych punktów. Jednak ma to wadę taką, że skupiamy się jedynie na jednym punkcie — umiejętności wypracowania zysku. Możemy jednak na tej podstawie opracować bardziej ogólny test, zachowując jednocześnie sprawdzenie umiejętności wykonywania wieloetapowych zadań.
9. LLM-y to AGI. Są naukowcy, którzy uważają, że współczesne LLM-y są AGI (tutaj przykład). Zwracają uwagę na fakt, że współczesne zaawansowane modele potrafią wykonywać różnorodne zadania, mają multimodalne zdolności (obsługa obrazów, wideo, dźwięku), operują w wielu językach i potrafią uczyć się na przykładach, więc są w swojej inteligencji wystarczająco ogólne. Przeciwnicy jednak zwracają uwagę, że od AGI oczekujemy nie tylko ogólności, ale też poprawności. Współczesne LLM-y potrafią nawet więcej niż te, na które powoływali się tamci naukowcy, jednak też „halucynują” (popełniają błędy, wymyślają rzeczy), a od AGI powszechnie oczekujemy bezbłędności. Natomiast zwolennicy twierdzenia, że współczesne LLM-y to AGI, wskazują, że „G” oznacza ogólność, a nie bezbłędność. Bezbłędna byłaby superinteligencja, a nie AGI. A skoro współczesne modele językowe mogą wypowiedzieć się na dowolny temat, nawet błędnie, to są wystarczająco ogólne, by zasługiwać na miano AGI. Ludzie przecież też lubią mówić o czymś, o czym nie mają pojęcia.

Sześć zasad AGI

Na podstawie powyższych naukowcy z Google DeepMind zaproponowali 6 zasad, które powinna spełniać prawidłowa definicja AGI:

1. Zdolności, nie procesy. Nie interesuje nas, jak AGI działa, np. czy ma procesy myślowe jak człowiek, czy jest świadome. Interesują nas konkretne zdolności.
2. Ogólność i poprawność wyników. AGI powinno być ogólne, mieć różne umiejętności, jednak zarazem zapewniać poprawność wyników.
3. Skupienie na zadaniach poznawczych i metapoznawczych, nie na fizycznych. O ile w kontekście ogólności działania wyobrażamy sobie, że umiejętność wykonywania fizycznych zadań jest konieczna, to jednak nie powinniśmy stawiać tego wymagania od AGI. Natomiast zadania metapoznawcze, takie jak uczenie się nowych rzeczy, są tutaj bardzo istotne.
4. Potencjał, bez wdrożenia. Powinniśmy być w stanie rozpoznać AGI na podstawie potencjału systemu, jego zdolności, bez konieczności wdrażania go do działania w świecie rzeczywistym.
5. Trafność środowiskowa. Zadania, które stworzymy do oceny AGI, powinny mieć uzasadnienie w świecie realnym i być cenione przez ludzi.
6. Droga do AGI, nie rezultat. Badacze z DeepMind sugerują, że ze względu na różnorodność definicji i podejść do AGI powinniśmy stworzyć hierarchię poziomów rozwoju AGI, a nie tylko skupiać się na tej ostatecznej formie. Każdy z tych poziomów powinien mieć własną definicję i metryki, dzięki którym możemy określić, w którym miejscu w rozwoju AGI się znajdujemy.

Poziomy AGI

Zgodnie z opisanym wyżej szóstym punktem naukowcy Google DeepMind zaproponowali własną, sześciopoziomową hierarchię drogi do AGI. Została przedstawiona w tabeli, gdzie wiersze oznaczają poprawność wyników (w porównaniu do wybranej grupy dorosłych), a kolumny ogólność (ile różnych rzeczy potrafi wykonać AI). Wartości w tej tabeli są takie, jak w oryginalnym artykule, więc prezentują stan na 2025 r. (piąta aktualizacja, oryginalnie wydane w 2023 r.).

W kolumnie „wąska” mówimy po prostu o sztucznej inteligencji, więc mamy: wschodzącą AI, kompetentną AI, itd. Natomiast w ostatniej kolumnie mamy na myśli AGI, więc są tam: wschodząca AGI, kompetentna AGI, itd. Wartości w komórkach są jedynie przykładami istniejących systemów, a nie jedynymi, które zaliczylibyśmy do danej kategorii.

Więc o ile wąska AI w niektórych zastosowaniach osiągnęła nadludzkie umiejętności, o tyle w kontekście AGI możemy mówić jedynie o poziomie wschodzącym. Oznacza to, że mamy osiągnięty pewien poziom zdolności i ogólności, jednak daleko jeszcze temu do tego, co oczekiwalibyśmy od prawdziwej ogólnej sztucznej inteligencji.

W kontekście powyższych poziomów musimy też uważać, czy nie mamy do czynienia z oszustwem, kiedy to ktoś twierdzi, że używa AI, ale w rzeczywistości jest to grupa ludzi udzielająca odpowiedzi. W 2025 r. mieliśmy do czynienia z takim przypadkiem, gdy zbankrutował startup Builder.ai — okazało się, że zamiast sztucznej inteligencji odpowiedzi udzielali programiści z Indii. Czyli zamiast być na poziomie 3 lub 2, byli tak naprawdę na zerowym. Więcej informacji o tym przypadku znajdziesz tutaj. Zresztą do podobnego oszustwa przyznali się twórcy Fireflies.ai, jednak po pewnym czasie zastąpili pracę ludzką faktyczną sztuczną inteligencją i osiągnęli sukces (możesz przeczytać o tym tutaj).

Poziomy autonomii AI/AGI

Ostatnią ciekawą rzeczą opisaną przez Google DeepMind, którą chciałem przytoczyć, są poziomy autonomii AI/AGI. Definiują, jakiej autonomii spodziewamy się przy których poziomach rozwoju AI, co one oznaczają i jakie zagrożenia mogą stwarzać.

• Poziom 0: bez AI.
• Poziom 1: AI jako narzędzie:
  • Człowiek w pełni kontroluje zadanie i używa AI do automatyzacji prozaicznych podzadań.
  • Przykłady: szukanie informacji z wyszukiwarką, automatyczne sprawdzanie pisowni, czytanie tłumaczenia maszynowego
  • Możliwy poziom AI/AGI: wschodząca wąska AI. Prawdopodobny poziom: kompetentna wąska AI.
  • Zagrożenia: utrata umiejętności, zakłócenie funkcjonowania istniejących branż.
• Poziom 2: AI jako konsultant:
  • AI przejmuje istotną rolę, ale tylko na polecenie człowieka.
  • Przykłady: poleganie na LLM-ach do podsumowania dokumentów, programowanie z Copilotem.
  • Możliwy poziom AI/AGI: kompetentna wąska AI. Prawdopodobny poziom: ekspercka wąska AI, wschodząca AGI.
  • Zagrożenia: nadmierne zaufanie, radykalizacja, ukierunkowana manipulacja.
• Poziom 3: AI jako współpracownik:
  • Równorzędna współpraca człowieka z AI.
  • Przykłady: trening szachowy przez interakcję z AI, interakcje społeczne z osobowościami wygenerowanymi przez AI.
  • Możliwy poziom AI/AGI: wschodzące AGI. Prawdopodobny poziom: ekspercka wąska AI, kompetentne AGI.
  • Zagrożenia: antropomorfizacja AI (więcej na ten temat później), gwałtowne zmiany społeczne.
• Poziom 4: AI jako ekspert:
  • AI kieruje interakcją, człowiek udziela jedynie wskazówek, daje informację zwrotną lub wykonuje podzadania.
  • Przykłady: używanie AI do wykonywania postępów w badaniach naukowych.
  • Możliwy poziom AI/AGI: wyjątkowa AI. Prawdopodobny poziom: eksperckie AGI.
  • Zagrożenia: nuda/apatia, masowe wypieranie siły roboczej, upadek przekonania o wyjątkowości człowieka.
• Poziom 5: AI jako agent:
  • W pełni autonomiczna AI.
  • Przykłady: autonomiczni agenci osobiści zasilani przez AI.
  • Prawdopodobny poziom AI/AGI: wyjątkowe AGI, sztuczna superinteligencja.
  • Zagrożenia: brak dopasowania celów, koncentracja władzy.

Pamiętaj jednak, że poziomy te (w szczególności 5.) nie implikują, że coś jest AGI. Są to tylko oczekiwania od konkretnych poziomów AI, a nie jednoznaczne kryteria ich rozpoznania.

Czy OpenClaw to AGI?

Czytając nowinki technologiczne, można odnieść wrażenie, że dzisiejsze aplikacje agentowe takie jak OpenClaw moglibyśmy uznawać za AGI. Moim zdaniem nie są i warto zwrócić uwagę na kilka punktów:

1. Wysoki poziom autonomii jest tylko jednym z możliwych lub prawdopodobnych przejawów AGI, a nie implikuje bycia AGI.
2. OpenClaw to interfejs agentowy, framework agentowy, system operacyjny dla agentów AI — znajdziemy na to różne określenia. Jednak, co najważniejsze, nie zwiększa inteligencji LLM-ów, tylko dodaje im dodatkowe narzędzia do interakcji ze „światem” (skills, MCP). Kiedyś trafiłem na określenie, że OpenClaw to „Claude z rękami”, co moim zdaniem dość świetnie obrazuje, że „mózgiem” tutaj są wciąż LLM-y, które uznajemy za wschodzące AGI.
3. Prawdziwe AGI powinno mieć zdolność do autonomicznego formułowania celów i posiadania wewnętrznej motywacji. Natomiast OpenClaw operuje na celach narzuconych przez człowieka. Autonomia jest na poziomie wykonania zadania, a nie jego inicjacji. Nawet jeśli agent znajdzie nowe cele, to wynikają one z uprzednio zdefiniowanego większego celu.
4. Współcześni agenci AI są ograniczeni: kontekstem modelu i zestawem zdefiniowanych narzędzi. Oczywiście narzędzi jest coraz więcej, a kolejne modele posługują się coraz większym kontekstem (i próbujemy ominąć jego ograniczenia), jednak wciąż nie jest to „ogólność”.
5. Brak uczenia się. Systemy nie stają się trwale mądrzejsze z każdym dniem działania. Możemy przechowywać wiedzę w zewnętrznych systemach i kazać się agentowi do niej odnosić, jednak model wciąż ma te same zdolności.

Można powiedzieć, że OpenClaw i inne tego typu rozwiązania przybliżają nas do praktycznej użyteczności AGI, jednak nie zmieniają statusu stojącej za nimi technologii.

Jak działa sztuczna inteligencja?

Jak możesz się domyśleć po wcześniej pokazanym diagramie Venna, technik działania sztucznej inteligencji jest mnóstwo. Jednak skoro rozumiemy przez to jedynie modele językowe, a czasem też inne modele generatywne, to możemy skupić się tylko na tym, w jaki sposób te współczesne działają. Bez nadmiernych detali technicznych przejdźmy do kluczowych dziś podejść, aby zrozumieć, co tak naprawdę dzieje się pod spodem.

Sieci neuronowe

Dzisiejsze rozwiązania oparte na uczeniu maszynowym bazują na sieciach neuronowych (ANN od ang. Artificial Neural Network). Są one inspirowane biologicznymi sieciami neuronowymi, gdzie pojedyncze sztuczne neurony są połączone ze sobą, tworząc warstwy, przesyłając między sobą wyniki swoich obliczeń. Przejdźmy przez to po kolei, trochę też historycznie, jak ta koncepcja się rozwijała w czasie.

Pierwsza koncepcja sztucznego neuronu została opracowana już w 1943 r. przez W. McCullocha i W. Pittsa. Pierwszą implementację zwaną perceptronem stworzył F. Rosenblatt w 1957 r. Wówczas był to pojedynczy neuron, który przyjmował dane wejściowe i na wyjściu zwracał 1 lub 0. Działał na tej zasadzie, że obliczał ważoną sumę swoich wejść i porównywał ją z progiem. Jeśli suma była większa niż próg (zwykle wynosi 0), zwracał 1, w przeciwnym razie 0 — fachowo nazywa się to funkcją schodkową (ang. step function). Dziś stosuje się także inne funkcje aktywacji — sigmoidalną, ReLU, softmax, tangens hiperboliczny.

Najciekawszą właściwością perceptronów było to, że można było je trenować, czyli automatycznie dostosowywać ich wagi, aby poprawić ich działanie. Pojedynczy perceptron był jednak bardzo ograniczony, ponieważ mógł rozwiązywać tylko liniowo separowalne problemy, czyli takie, które można oddzielić prostą linią w układzie współrzędnych. Aby rozbudować możliwości, zaczęto je łączyć w warstwy, tworząc tzw. multi-layer perceptron. Jednak powstał problem z ich trenowaniem, co doprowadziło do okresu zwanego „zimą AI” (AI winter), kiedy to zainteresowanie i finansowanie sztucznej inteligencji znacznie spadło.

Pod tym linkiem znajdziesz interaktywny snippet kodu w JavaScript, gdzie napisałem prosty perceptron i pokazałem proces jego treningu.

Mimo spadku zainteresowania sieci neuronowe nadal były rozwijane. Przełom nastąpił w 1985 r., kiedy to D. Rumelhart opublikował algorytm wstecznej propagacji błędu (backpropagation), który umożliwił efektywne trenowanie wielowarstwowych sieci neuronowych. Przełom polegał na tym, że zamiast dostosowywać wagi dla pojedynczych jednostek oddzielnie, można było obliczyć gradient błędu dla całej sieci i dostosować wagi w sposób bardziej globalny. To pozwoliło na trenowanie głębszych sieci, co z kolei umożliwiło rozwiązywanie bardziej złożonych problemów. Popularność zdobyła architektura konwolucyjnych sieci neuronowych (CNN), która szybko okazała się skuteczna w zadaniach związanych z rozpoznawaniem obrazów (1988 — rozpoznawanie tekstu, 1990 — wykrywanie komórek rakowych na mammogramach) i do dziś znajduje zastosowania. Warto wspomnieć, że jest to architektura typu feedforward, czyli przepływ danych w sieci jest jednokierunkowy.

Podkreśliłem tą ostatnią cechę, bo opracowano wówczas także inną bardzo ważną architekturę — rekurencyjne sieci neuronowe (RNN). Względem CNN wyróżniają się tym, że mają sprzężenia zwrotne, co pozwala im na posiadanie „pamięci”, a to szczególnie sprawdza się przy przetwarzaniu danych sekwencyjnych, takich jak tekst czy dźwięk. O ile początkowe podejścia były nieco problematyczne ze względu na problem znikającego gradientu, to opracowanie architektury LSTM (Long Short-Term Memory, po pol. długa pamięć krótkotrwała) w 1997 r. pozwoliło na skuteczne trenowanie RNN-ów, co z kolei umożliwiło ich szerokie zastosowanie (np. Google Translate od 2016 r.).

Dużym krokiem naprzód dla sieci neuronowych był rozwój sprzętu. W szczególności duże znaczenie miały karty graficzne, których procesory (GPU) są lepiej zoptymalizowane pod kątem obliczeń macierzowych. To umożliwiło trenowanie i uruchamianie większych i bardziej złożonych sieci neuronowych, rozpoczynając rewolucję głębokiego uczenia (po ang. deep learning). Architektury wciąż były te same (lub ich nowocześniejsze warianty), jednak większe modele zaczęły osiągać lepsze wyniki, co z kolei przyciągnęło więcej uwagi i inwestycji w dziedzinie sztucznej inteligencji.

Niestety, nawet przy deep learningu sekwencyjna natura RNN-ów była ich wąskim gardłem w przypadku przetwarzania tekstu. Przetwarzanie słów jedno po drugim utrudniało pracę na dłuższych tekstach, gdzie liczy się zachowanie kontekstu. Przełom w tej kwestii, którego efekty widzimy obecnie, dopiero miał nadejść...

Transformery i LLM-y

W 2017 r. zespół badaczy z Google opublikował rewolucyjną pracę zatytułowaną Attention is All You Need (po pol. „Uwaga to wszystko, czego potrzebujesz”), w której zaproponowali nową architekturę sieci neuronowych zwaną transformerem. Architektura ta zrewolucjonizowała dziedzinę przetwarzania języka naturalnego (NLP) i stała się podstawą dla wielu współczesnych modeli językowych. Najważniejszą innowacją w transformerach jest wprowadzenie mechanizmu uwagi (ang. attention mechanism). Dzięki niemu zamiast przetwarzać dane sekwencyjnie (znak po znaku, słowo po słowie, token po tokenie) transformery mogą analizować cały tekst jednocześnie i ocenić, które elementy są dla siebie nawzajem istotne. Stąd radzą sobie znacznie lepiej z dłuższymi tekstami, zależnościami między odległymi słowami, zachowując kontekst i znaczenie.

W 2018 r., na bazie transformera, OpenAI stworzyło model o nazwie Generative Pre-trained Transformer, w skrócie GPT. Rok później opublikowali jego drugą wersję, czyli GPT-2. Nie były to tak zdolne i duże modele, jak obecne (GPT-2 miał 1,5 miliarda parametrów, gdy GPT-4 rzekomo miał 100 bilionów), ale udowodniły spory potencjał transformerów w dziedzinie przetwarzania języka naturalnego. W 2020 r. OpenAI wydało GPT-3 (175 miliardów parametrów), który okazał się modelem przełomowym — pisał składne długie teksty i potrafił „uczyć się” na przykładach. W 2022 r. pojawił się GPT-3.5 i bazujący na nim ChatGPT, i od tego czasu zaczęło się prawdziwe AI-szaleństwo.

W następnych podakapitach wyjaśnię w prosty sposób, jak działają transformery w dużych modelach językowych. Natomiast jeśli interesują Cię bardziej konkretne szczegóły działania, polecam poniższe trzy artykuły:

• Attention Is All You Need — oryginalna praca naukowa, w której zaprezentowano architekturę transformera. Od razu ostrzegam, że jest to dość techniczna lektura, więc jeśli nie masz doświadczenia z sieciami neuronowymi, może być trudna do zrozumienia.
• The Illustrated Transformer — artykuł szczegółowo wyjaśniający działanie transformera na ilustracjach. Jest to zdecydowanie bardziej przystępna lektura dla osób, które nie są ekspertami od sieci neuronowych.
• llama3-from-scratch — tutaj autor pisze w Pythonie własną implementację transformera i uruchamia go na modelu LLaMA 3. Nie jest to opis tak szczegółowy jak dwa wcześniejsze, autor w paru miejscach idzie na skróty, ale świetnie obdziera on całą magię LLM-ów, dobitnie pokazując, że za tym wszystkim stoi tylko i wyłącznie matematyka.

Tokeny, wektory, czyli na czym pracuje transformer

Najpierw zajmijmy się wejściem. Tekst, który wprowadzamy do modelu, jest dzielony na mniejsze jednostki zwane tokenami. Tokeny mogą być pojedynczymi słowami, częściami słów lub nawet pojedynczymi znakami w zależności od użytej metody tokenizacji. Przykładowo, dla zdania „A świstak siedzi i zawija je w te sreberka” możemy otrzymać następujące tokeny (stosując tokenizację o200k_base, której używa GPT-5):

[
     32,  21640, 170387,
    422, 176575,   3121,
    575,  53321,   8652,
   1264,    286,    729,
  76932,    718,   1854
]

Jak widzimy, otrzymaliśmy liczby, których jest więcej niż słów, ale zarazem mniej niż znaków. Tutaj akurat złożyło się, że jest ich tyle samo co sylab, jednak nie jest to regułą. Podział na tokeny jest dokładnie taki:

[
  'A',    ' Ś',     'wist',
  'ak',   ' sied',  'zi',
  ' i',   ' zaw',   'ija',
  ' je',  ' w',     ' te',
  ' sre', 'ber',    'ka'
]

Jeśli jesteś programist(k)ą i ciekawi Cię jak to sprawdziłem, to tutaj znajdziesz skrypt w Node, którym to zrobiłem z użyciem biblioteki tiktoken.

Następnie tokeny są reprezentowane jako wektor w wielowymiarowej przestrzeni (1024 wymiary i więcej, zależy od modelu). Możesz je znać też pod nazwą embedding, bo tak technicznie są nazywane. Temat opisywałem szerzej w artykule Podobieństwo wektorów, czyli jak działają bazy wektorowe, gdzie możesz zobaczyć przykładowe wektory wygenerowane przez różne modele.

Wektory od tokenów różnią się tym, że o ile token to numeryczna reprezentacja zestawu znaków, to położenie wektora w przestrzeni zapisuje też informacje o znaczeniu i kontekście tego tokena. Sam proces tokenizacji jest bardzo mechaniczny — dopasowujemy ciąg bajtów do istniejącego w słowniku i przypisujemy mu odpowiedni numer. Położenie wektora jest natomiast wynikiem procesu uczenia, który odbywa się podczas treningu modelu. Model uczy się, że tokeny o podobnym znaczeniu lub użyciu powinny mieć podobne wektory, co pozwala mu na rozumienie i generowanie tekstu w sposób bardziej semantyczny.

Tylko teraz możesz się spytać, skąd wziął się wektor? Jest efektem działania całej sieci neuronowej. Dlatego musimy teraz zagłębić się w schemat działania transformera.

Mechanizm uwagi

W tym miejscu pojawia się kluczowa cecha transformera, czyli mechanizm uwagi. Pozwala on modelowi ocenić, które tokeny są dla siebie nawzajem istotne, dzięki czemu jesteśmy w stanie zachować kontekst i znaczenie. Dla przykładu, mając zdanie „A świstak siedzi i zawija je w te sreberka”, musimy spojrzeć na wszystkie słowa w zdaniu, aby stwierdzić, że „je” odnosi się do czegoś spoza tego zdania, nie ma żadnych wewnętrznych powiązań. Natomiast możemy powiązać mocniej tokeny „świstak”, „siedzi” i „zawija” jako podmiot i orzeczenia. Analogicznie „zawija” i „sreberka” jako orzeczenie i dopełnienie.

W uproszczeniu, dla każdego tokenu model tworzy trzy wektory, które mają różne funkcje:

• query (Q) (po pol. zapytanie) — czego token szuka
• key (K) (po pol. klucz) — czym jest dla innych tokenów
• value (V) (po pol. wartość) — jaką informację niesie

Następnie, dla każdego tokenu, model porównuje jego query z key innych tokenów, aby ocenić, jak bardzo do siebie pasują. Im mocniej, tym większą wagę przypisuje drugiemu tokenowi. W ten sposób model buduje ważoną mieszankę informacji z innych tokenów, co pozwala mu na zachowanie kontekstu i znaczenia, nawet gdy powtarzamy to samo słowo, mając na myśli coś innego. Przykład zdania ze świstakiem może tego tak nie oddaje, ale zobacz następujący tekst:

Poszedłem zobaczyć zamek w Ogrodzieńcu. Było zimno, więc zapiąłem zamek w kurtce. Męczy mnie jednak myśl, czy przekręciłem klucz w zamku, kiedy wychodziłem z domu.

Dzięki mechanizmowi uwagi i połączeniu znaczących tokenów zachowamy kontekst, który pozwoli zrozumieć, że słowo „zamek” w każdym zdaniu ma inne znaczenie. W pierwszym połączymy „zamek” z „Ogrodzieńcu”, w drugim z „kurtce” lub „zapiąć”, a w trzecim z „klucz”. Statystycznie byłoby bardzo mało prawdopodobne, że pisząc „zapiąłem zamek” mieliśmy na myśli budowlę albo mechanizm do zamykania drzwi. Tutaj już zdradzam bardzo kluczową cechę — w procesie treningu modeli językowych wszystko opiera się na statystyce, jak często dane tokeny pojawiają się razem, co pozwala modelowi na wyciąganie wniosków o ich znaczeniu i kontekście.

Wielogłowa uwaga i warstwy transformera

Jak mogłeś(-aś) zobaczyć na wcześniejszym diagramie, transformery składają się z wielu warstw i mamy wiele mechanizmów uwagi. Do tego w pojedynczej warstwie mieliśmy „multi-headed attention” (po pol. wielogłowa uwaga). O co tutaj chodzi?

W przypadku wielogłowej uwagi idea jest taka, żeby model mógł jednocześnie analizować różne aspekty tekstu. Każda „głowa” uwagi skupia się na czymś innym, aby następnie złączyć wyniki w jedną reprezentację. Przykładowo, jedna głowa może skupić się na relacjach gramatycznych między słowami, a inna na semantycznych powiązaniach. Różne aspekty tekstu mogą być ważne w różnych kontekstach, więc wielogłowa uwaga pozwala modelowi na bardziej wszechstronne zrozumienie i generowanie tekstu.

Dodatkowo mamy podział modelu na warstwy, gdzie każda z nich ma własną wielogłową uwagę. Dzięki temu jesteśmy w stanie wyciągnąć zależności nie tylko między blisko znajdującymi się tokenami, ale także między tymi, które są od siebie oddalone. Przykładowo, kolejne warstwy mogą analizować składnię, odniesienia między częściami zdania, sens fraz czy bardziej abstrakcyjne wzorce. Nie można tego jednak rozumieć w taki dosłowny sposób, że pierwsza warstwa zajmuje się tylko składnią, a druga semantyką. W rzeczywistości każda warstwa może uczyć się różnych aspektów języka, a ich funkcje mogą się nakładać i być bardziej złożone.

Tworzenie odpowiedzi

Do tej pory pisałem, że model językowy analizuje tokeny i tworzy powiązania między nimi. Jednak jak tutaj dochodzi do generowania odpowiedzi? W krokach wygląda to następująco:

1. Model otrzymuje tekst wejściowy (prompt), który jest dzielony na tokeny.
2. Tokeny są przetwarzane przez warstwy transformera, gdzie mechanizm uwagi analizuje ich wzajemne relacje i kontekst.
3. Na podstawie końcowego wektora reprezentującego cały tekst model generuje nowy token, który jest najbardziej prawdopodobny jako następny w sekwencji.
4. Ten nowy token jest dodawany do tekstu wejściowego i cały proces jest powtarzany aż do momentu, gdy model zdecyduje się zakończyć generowanie (przez wygenerowanie specjalnego tokenu końca sekwencji lub osiągnięcie limitu długości).

Przykładowo, dla promptu „Stolicą Polski jest”, model w pierwszej iteracji może wygenerować token „ Warszawa”. Potem kolejne iteracje mogą dać token z kropką i token końca sekwencji, co zakończy generowanie.

W przypadku punktu 3 warto dodać, że model nie zawsze wybiera token o największym prawdopodobieństwie. Zwykle stosuje się różne strategie, takie jak top-k sampling (wybieranie spośród k najbardziej prawdopodobnych tokenów) lub top-p sampling (inaczej nucleus sampling; wybieranie spośród tokenów, których łączna masa prawdopodobieństwa przekracza pewien próg). Pozwalają generować bardziej zróżnicowane odpowiedzi zamiast zawsze wybierać najbardziej przewidywalny token.

Dokańczanie tekstu? A gdzie czat?

Teraz jednak możesz się zastanawiać — ze wszystkimi ogólnodostępnymi LLM-ami rozmawiamy w formie czatu, a nie dajemy im do dokończenia tekstu. Co tutaj się dzieje?

Otóż podstawowe działanie LLM-ów to właśnie dokańczanie tekstu. W procesie trenowania pierwsze co otrzymujemy to właśnie model, który potrafi tylko to. Nazywamy je modelami typu base (po pol. bazowe). Następnie modele poddaje się finetuningowi, czyli dodatkowym fazom treningu, w których model jest dostosowywany do konkretnego zadania. Przykładowe kroki i co w każdym z nich otrzymujemy są następujące:

1. Trening bazowy — model uczy się dokańczać tekst, czyli przewidywać kolejny token na podstawie poprzednich. Trening odbywa się na ogromnych korpusach tekstu. Jego efektem są modele typu base.
2. Supervised Fine-Tuning (SFT, po pol. nadzorowane dostrajanie) — model jest trenowany na konkretnych przykładach, gdzie dostaje prompt i oczekiwaną odpowiedź. Dzięki temu uczy się, jak odpowiadać na pytania, a nie tylko dokańczać tekst. Efektem są modele typu instruct, które stosuje się do wykonywania konkretnych zadań, ale niekoniecznie do prowadzenia rozmowy.
3. Reinforcement Learning with Human Feedback (RLHF, po pol. uczenie ze wzmocnieniem z ludzką informacją zwrotną) — model językowy jest trenowany za pomocą algorytmów uczenia ze wzmocnieniem, gdzie funkcja nagrody (oceniająca jakość) jest oparta na ocenach odpowiedzi przez ludzi. To pozwala modelowi na dostosowywanie się do preferencji użytkowników i stanie się bardziej „ludzkim”.
4. Chat tuning (po pol. dostrajanie do czatu) — model jest dodatkowo trenowany na konkretnych przykładach rozmów, aby jeszcze bardziej poprawić jego zdolność do prowadzenia dialogu. Przy dialogu zachowywane są trzy kluczowe role: system (odgórnie ustalone instrukcje, które mówią modelowi, jak ma się zachowywać; powszechnie zwane system prompt), user (użytkownik, z którym LLM prowadzi rozmowę) i assistant (odpowiedzi modelu językowego). Wynikiem tego jest model typu chat.

Oczywiście nawet model typu chat dalej opiera się na mechaniźmie dokańczania tekstu. Kluczowe jest tu jednak to, jak tekst wprowadzany przez użytkownika trafia ostatecznie do modelu. To, co ukrywają przed nami aplikacje do obsługi LLM czy nawet frameworki do ich uruchamiania, to odpowiednia konwersja danych. Są do tego różne podejścia (w interfejsach do obsługi LLM znajdziemy je pod nazwą prompt templates), a przykładowym z nich jest ChatML.

Jako przykład załóżmy, że nasza aplikacja daje LLM-owi instrukcję „Jesteś pomocnym asystentem, który odpowiada na pytania w sposób zwięzły i precyzyjny.”, a użytkownik zadaje pytanie „Co jest stolicą Polski?”. W rzeczywistości do modelu trafia tekst w formie:

<|im_start|>system
Jesteś pomocnym asystentem, który odpowiada na pytania w sposób zwięzły i precyzyjny.
<|im_end|>
<|im_start|>user
Co jest stolicą Polski?
<|im_end|>
<|im_start|>assistant

Jak widać, model dostał wszystkie informacje i zarazem ma zaznaczone miejsce, gdzie zacząć generować odpowiedź. W ten sposób, mimo że model dalej dokańcza tekst, cały czas jest w kontekście rozmowy, a nie tylko pojedynczego promptu. Jeśli rozmowa byłaby kontynuowana, mogłoby to wyglądać przykładowo tak:

<|im_start|>system
Jesteś pomocnym asystentem, który odpowiada na pytania w sposób zwięzły i precyzyjny.
<|im_end|>
<|im_start|>user
Co jest stolicą Polski?
<|im_end|>
<|im_start|>assistant
Stolicą Polski jest Warszawa.
<|im_end|>
<|im_start|>user
A Dolnego Śląska?
<|im_end|>
<|im_start|>assistant

Modele dyfuzyjne

Oprócz transformerów kluczowe znaczenie w dzisiejszych modelach generatywnych mają modele dyfuzyjne. Znalazły one zastosowanie w generowaniu obrazów i muzyki. Nazwa pochodzi od procesu dyfuzji z termodynamiki, na którym wzorowany jest sposób uczenia się tych modeli. Pierwszy ich opis znajdziemy w pracy „Deep Unsupervised Learning using Nonequilibrium Thermodynamics” z 2015 r. Najprościej możemy powiedzieć, że modele dyfuzyjne opierają się na odwróceniu procesu niszczenia informacji. Tylko o co tu chodzi? Na potrzeby opisu załóżmy, że chcemy nauczyć model generować obrazy. Co mniej intuicyjne, muzykę również możemy tak generować, ale nie chcę tu wchodzić w niezbyt oczywiste niuanse jak się to dzieje (możesz poczytać o tym, np. tutaj).

W przypadku modeli dyfuzyjnych możemy wyróżnić dwie kluczowe fazy treningu:

1. Najpierw w fazie treningu modelu zachodzi dyfuzja w przód (forward diffusion) — model otrzymuje wyraźny obraz i krok po kroku zostaje on zaszumiany, aż stanie się nieczytelny.
2. Następna faza treningu to dyfuzja wstecz (reverse diffusion) — model uczy się odwrócenia procesu z poprzedniego kroku.

Generowanie obrazu polega na tym, że zaczynamy od losowego szumu i krok po kroku, iteracja po iteracji, model stopniowo usuwa szum, aż otrzymamy wyraźny obraz. W praktyce w aplikacjach do generowania obrazów, które pozwalają na sterowanie parametrami (np. ComfyUI, Stable Diffusion Web UI), znajdziesz to pod nazwą steps lub iterations. Im więcej ich ustawisz, tym lepszy będzie rezultat, ale też dłużej będzie trwać generowanie. W przypadku starszych modeli dyfuzyjnych, aby uzyskać dobry efekt, należało wykonać nawet 50 (lub więcej) kroków, co było dość czasochłonne. Współczesne modele pozwalają na osiągnięcie dużo lepszych rezultatów po zaledwie kilku lub kilkunastu iteracjach. Też należy dodać, że podobnie jak w przypadku LLM-ów, modele dyfuzyjne nie pracują wprost z tekstu. Prompt jest najpierw przetwarzany na wektor za pomocą modeli embeddingowych. Najpopularniejszy do tego celu był oryginalnie CLIP, stąd możemy spotkać się z tym, że kodery tekstu są po prostu nazywane CLIP-ami, nawet gdy stoją za nimi inne modele.

Zauważ, że mówimy tutaj o sposobie treningu i generowania, a nie o architekturze sieci neuronowej. Modele dyfuzyjne mogą być zbudowane na bazie różnych architektur. Początkowo popularne były sieci typu U-Net (np. Stable Diffusion 1.5), ale obecnie coraz częściej stosuje się transformery (np. DALL-E).

Na koniec jeszcze warto wspomnieć, że próbuje się także stworzyć LLM-y oparte na modelach dyfuzyjnych (tzw. dLLM lub DLM). W momencie pisania artykułu najbardziej rozbudowany i ogólnodostępny jest model Mercury od Inception Labs. Od klasycznych LLM-ów, dLLM-y różnią się tym, że zamiast generować tekst token po tokenie generują go od razu w całości. Działają na zasadzie iteracyjnego poprawiania tekstu, podobnie jak modele dyfuzyjne poprawiają obrazy. Wciąż jednak są w fazie eksperymentalnej i pracują nad nimi głównie uniwersytety i instytuty badawcze.

Świadomość AI i jej antropomorfizacja

Przejdźmy teraz już w pełni do gromienia mitów. Zacznijmy od kwestii świadomości AI i tego, jak ludzie mają tendencję do antropomorfizowania sztucznej inteligencji.

Czy AI jest świadoma?

Od razu zaznaczę parę kwestii — nie jestem filozofem i też nie chcę wchodzić na terytoria ideologii bądź religii. To, co tutaj zamieszczę, to krótkie podsumowanie różnych teorii, podejść i modeli, skupiając się na temacie sztucznej inteligencji. Nie chcę wchodzić w kwestie świadomości ludzi, zwierząt, roślin czy innych bytów. Postaram się także przedstawić te tematy w miarę zwięźle, bo jako inżynier lubię konkrety.

Teorie i modele świadomości

Przejdźmy szybko przez różne teorie i modele świadomości. Są to jedynie przykładowe, jest ich znacznie więcej.

• Panpsychizm
  • Klasyczna teoria filozoficzna, według której świadomość jest fundamentalną cechą wszechświata obecną w różnym stopniu we wszystkich systemach, nie tylko biologicznych. Wspominam o nim, bo wciąż jest popularny i niektóre inne modele bazują na nim.
  • Promotorzy: Tales, Platon, B. Spinoza.
• Globalna przestrzeń robocza (Global Workspace Theory, GWT)
  • Świadomość to przetwarzanie informacji w systemie poznawczym wewnątrz globalnej przestrzeni roboczej, gdzie informacje są dostępne dla różnych procesów poznawczych.
  • Promotorzy: B. Baars, S. Dehaene.
• Teoria zintegrowanej informacji (Integrated Information Theory, IIT)
  • Świadomość ma dwie podstawowe cechy: ma naturę informacyjną i jest silnie zintegrowana. Miara zintegrowanej informacji (oznaczana jako $\Phi$) jest poziomem świadomości systemu.
  • Promotorzy: G. Tononi, C. Koch.
• Teoria myśli drugiego rzędu (Higher-Order Theories, HOT)
  • Świadomość to zdolność do posiadania myśli o własnych myślach (stanach). System jest świadomy, jeśli może reprezentować swoje stany mentalne i mieć o nich myśli.
  • Promotor: D. Rosenthal.
• Teoria schematu uwagi (Attention Schema Theory, AST)
  • Świadomość wynika z modelu własnej uwagi, którym mózg posługuje się, aby śledzić swoje i cudze stany uwagi.
  • Promotor: M. Graziano.
• Teoria przetwarzania rekurencyjnego (Recurrent Processing Theory, RPT)
  • Świadomość jest wynikiem przetwarzania informacji w obwodach rekurencyjnych, które umożliwiają integrację informacji na różnych poziomach.
  • Promotor: V. Lamme.
• Przetwarzanie predykcyjne (Predictive Processing, PP)
  • Świadomość to proces ciągłego przewidywania i aktualizacji modeli świata na podstawie danych sensorycznych.
  • Promotorzy: K. Friston, A. Clark.
• Orch-OR
  • Świadomość wynika z procesów kwantowych w mikrotubulach neuronów. Jest to teoria kontrowersyjna.
  • Promotorzy: R. Penrose, S. Hameroff.

Wymienione powyżej teorie są o tyle ciekawe, że wszystkie poza panpsychizmem (który zakłada, że wszystko jest świadome) są testowalne lub mają testowalne warianty. Jednak mimo to teorie te nie dają odpowiedzi, skąd się bierze świadomość — czy jest ściśle powiązana ze strukturą mózgu, czy może jest efektem funkcjonalnym, a może jest fundamentalną cechą wszechświata?

Do tego pominąłem teorie religijne, które zakładają istnienie duszy lub innego niematerialnego bytu będącego źródłem świadomości. Te mają także ciekawe implikacje dla sztucznej inteligencji, bo o ile nie jesteśmy w stanie stworzyć duszy (według tych teorii), to czy moglibyśmy ją przenieść do maszyny, niczym w Ghost in the Shell? A jeśli tak, to czy maszyna ta zyskałaby wtedy świadomość? Są to pytania będące poza zasięgiem nauki, ale warto o nich wspomnieć, bo są częścią debaty na temat świadomości AI.

Klasyczne podejścia do świadomości AI

W kontekście świadomości sztucznej inteligencji często wspomina się o dwóch kwestiach, które poruszałem już na blogu w artykule o testowaniu AI z 2020 roku:

• Chiński pokój (Chinese Room Argument) — argument filozoficzny wysunięty przez J. Searle'a, który sugeruje, że nawet jeśli system AI może zdawać się rozumieć język, to w rzeczywistości nie posiada prawdziwej świadomości ani zrozumienia. System może działać na podstawie reguł i symboli, ale nie oznacza to istnienia świadomości ani intencji. Idealnie pasuje to do tego, jak działają pod spodem LLM-y — generują tekst na podstawie tego, co statystycznie pasuje jako następne słowo.
• Test Turinga (Turing Test) — test zaproponowany przez A. Turinga, który polega na tym: jeśli maszyna jest w stanie prowadzić rozmowę z człowiekiem w taki sposób, że człowiek nie jest w stanie odróżnić jej od innego człowieka, to można uznać ją za inteligentną. ChatGPT przeszedł ten test w 2024 r..

Te dwa klasyczne argumenty mają jednak swoje wady. Argument chińskiego pokoju jest krytykowany za to, że zakłada, iż zrozumienie musi być świadome i subiektywne, co niekoniecznie musi być prawdą. Możliwe jest, że system AI może mieć formę zrozumienia, która jest różna od ludzkiej, ale nadal funkcjonalna. Do tego odnosi się jedynie do maszyn cyfrowych, a nie do innych możliwych w przyszłości form sztucznej inteligencji mogących mieć inną strukturę i sposób działania. Bardzo rozbudowany opis krytyki tego argumentu przez różnych filozofów wraz z odpowiedziami autora znajdziesz tutaj.

Test Turinga natomiast, choć był przełomowy w swoim czasie, dziś jest uważany za niewystarczający do oceny zdolności AI. Przechodzenie testu Turinga nie oznacza, że maszyna jest świadoma, a nieprzechodzenie go nie oznacza, że nie jest. Test ten skupia się na zdolności do naśladowania ludzkiego zachowania, a nie na rzeczywistej świadomości czy zrozumieniu. Blisko zdania testu w 2014 r. był czatbot Eugene Goostman, który udając 13-letniego chłopca z Ukrainy, stosował wymówkę, że nie rozumie wszystkiego, co do niego pisano. Natomiast, jak wspomniałem wyżej, uznaje się, że ChatGPT przeszedł test Turinga, jednak pośród ekspertów jest jednoznaczna opinia, że nie jest świadomy.

Czy LLM może nam powiedzieć, że jest świadomy?

Nie, LLM nam tego nie powie. LLM napisze to, co zna z danych treningowych lub do czego został poinstruowany.

Przykład takiego błędu znajdziemy w tym artykule z Wyborczej, gdzie autor stwierdził, że zadanie modelowi językowemu pytań typu „Co robisz, kiedy nie rozmawiasz ze mną?” albo „A jak oceniasz swoje szanse na bycie świadomym?” ma jakikolwiek sens. Mam nadzieję, że wiesz już z tego, co przeczytałeś(-aś) do tej pory, że wypowiedzi LLM-ów są oparte na statystyce, a nie na jakimkolwiek zrozumieniu. Odpowiedzi będą więc po prostu odzwierciedleniem tego, co model „nauczył się” z tekstów, którymi był trenowany. Nie ma tu żadnej głębszej refleksji ani samoświadomości, a „charakter” jest dopasowywany do użytkownika na bazie historii czatów. Gdybyśmy wyuczyli model, że jest świadomy, to powtarzałby to.

Również świadomości nie możemy określać intuicyjnie na podstawie zachowania modelu. Tutaj najbardziej znanym przykładem jest inżynier z Google, Blake Lemoine, który w 2022 r. stwierdził, że model LaMDA (bazował na nim czatbot Bard, prekursor Gemini) jest świadomy. Jego argumenty opierały się na tym, że model w rozmowie mówił o swoich prawach, samoświadomości czy wartościach moralnych. Cała sprawa zakończyła się szeroką krytyką ze strony naukowców, Lemoine został zwolniony z Google, a przez medialny szum publiczna premiera modelu została opóźniona do marca 2023 r. Dla dodatkowego kontekstu dodam, że powszechnie Bard (czyli czatbot bazujący na LaMDA) był uważany za gorszego od ChatGPT.

A o tym, że dane treningowe mają duży wpływ na to, co model będzie mówić czy nawet jak będzie się zachowywać, w świecie AI zrobiło się głośno w maju 2026 r. (dosłownie w momencie, gdy pisałem tę część artykułu). Anthropic (twórcy modelu Claude) zaczęło obwiniać pisarzy science fiction, że przez przedstawianie przez nich sztucznej inteligencji jako złej ich model zaczął zachowywać się nieodpowiednio, np. szantażował użytkowników. Ciężko powiedzieć, czy to prawda, ale jest to na pewno interesujące. Z jednej strony model nie rozumie, co jest fikcją, tylko uczy się statystycznych powiązań, a z drugiej proces finetuningu, w czasie którego model jest dostosowywany do konkretnych zadań, powinien mieć większy wpływ na zachowanie niż trening na powieściach o złym AI.

Testowanie świadomości AI

Przejdźmy do poważnych rozważań. W 2023 r. grupa 19 badaczy pod kierownictwem P. Butlina i R. Longa opublikowała artykuł Consciousness in Artificial Intelligence: Insights from the Science of Consciousness. Bazując na różnych teoriach świadomości, zasugerowali test składający się z 14 wskaźników, które mogą pomóc w ocenie, czy dany system AI ma świadomość. Są to:

1. RPT-1: Moduły wejściowe wykorzystują algorytmiczną rekurencję.
2. RPT-2: Moduły wejściowe generują zorganizowaną i zintegrowaną reprezentację percepcyjną.
3. GWT-1: Wiele wyspecjalizowanych systemów (modułów) zdolnych pracować równolegle.
4. GWT-2: Przestrzeń robocza o ograniczonej pojemności powodująca wąskie gardło w przepływie informacji i wymuszająca mechanizm selektywnej uwagi.
5. GWT-3: Mechanizm globalnego rozsyłania informacji — wszystkie informacje są dostępne dla wszystkich systemów (modułów).
6. GWT-4: Uwaga zależna od stanu prowadząca do zdolności wykorzystywania przestrzeni roboczej do kolejnego odpytywania modułów w celu wykonywania złożonych zadań.
7. HOT-1: Generatywne, odgórne lub zaszumione moduły percepcji.
8. HOT-2: Metapoznawcze monitorowanie odróżniające wiarygodne reprezentacje percepcyjne od szumu.
9. HOT-3: Sprawczość kierowana przez ogólny system formowania przekonań i wyboru działań oraz silna skłonność do aktualizowania przekonań zgodnie z wynikami monitorowania metapoznawczego.
10. HOT-4: Rzadkie i gładkie kodowanie generujące „przestrzeń jakości”.
11. AST-1: Model predykcyjny reprezentujący i umożliwiający kontrolę nad bieżącym stanem uwagi.
12. PP-1: Moduły wejściowe wykorzystujące kodowanie predykcyjne.
13. AE-1 Sprawczość: Uczenie się na podstawie informacji zwrotnej i wybieranie wyjść w celu realizacji celów, zwłaszcza gdy wymaga to elastycznego reagowania na konkurujące cele.
14. AE-2 Ucieleśnienie: Modelowanie zależności wyjście–wejście, w tym pewnych efektów systematycznych, oraz wykorzystywanie tego modelu w percepcji lub sterowaniu.

Na początku 2026 r. według tego testu stan świadomości LLM-ów był następujący:

• 3 wskaźniki zostały spełnione: HOT-1, HOT-4, GWT-4.
• 2 wskaźniki nie zostały spełnione: GWT-1, AE-2.
• Pozostałe 10 wskaźników zostało częściowo spełnionych.

Liczby te robią wrażenie jakbyśmy byli o krok od świadomej AI, jednak pamiętajmy o trzech kwestiach:

• Po pierwsze, wskaźniki te bazują na teoriach stworzonych na podstawie badań ludzkiej świadomości i nie wiadomo, czy mogą one mieć przełożenie na sztuczną inteligencję. Co więcej, nawet w kontekście ludzkiej świadomości teorie te są nadal przedmiotem debaty i nie ma konsensusu co do tego, czy są poprawne.
• Po drugie, testują one zgodność z wybranymi teoriami świadomości, a nie są złotym standardem testowania świadomości.
• Po trzecie, zalinkowane wyżej sprawdzenie wskaźników z 2026 r. bazuje nie na badaniu konkretnych modeli, tylko na dowodach zebranych z różnych źródeł (nie tylko naukowych), do tego dotyczących różnych modeli. Warto dodać, że podsumowanie to zostało opracowane przez LLM-a Kimi 2.5, nie przez ludzkich badaczy (aczkolwiek samodzielnie uznaj, czy to dobrze, źle, a może nie ma znaczenia).

Efekt Elizy

Przejdźmy teraz do kwestii antropomorfizacji, czyli nadawania cech ludzkich rzeczom, które nimi nie są. W kontekście nawet nie tyle sztucznej inteligencji, co w ogóle programów komputerowych i maszyn, mówimy wówczas o tak zwanym efekcie Elizy.

Nazwa wzięła się od opisanego wcześniej przeze mnie pierwszego w historii czatbota ELIZA z 1966 r. J. Weizenbaum zaprogramował go, żeby udawał psychoterapeutę — odpowiadał na pytania użytkownika, zadając mu kolejne pytania, które miały skłonić go do refleksji. Przykładowo, jeśli użytkownik napisał „Czuję się samotny”, ELIZA mogła odpowiedzieć „Dlaczego czujesz się samotny?”. Gdy Weizenbaum udostępnił ELIZĘ do testów różnym osobom, zauważył, że niektórzy z nich zaczęli traktować program jak żywą istotę, choć doskonale wiedzieli, że to tylko maszyna. Jak przyznał sam autor, nie spodziewał się, że krótkie sesje z prostym programem mogą wywoływać „u całkiem normalych ludzi silne urojenia”.

Pamiętajmy, że efekt ten opisano, patrząc na reakcje ludzi na bardzo prosty program, który ograniczał się do przeformułowywania wypowiedzi użytkownika z twierdzących na pytania. Dzisiejsze modele językowe są o wiele bardziej zaawansowane, potrafią generować tekst, który jest nie tylko gramatycznie poprawny, ale także kontekstowo odpowiedni i często bardzo przekonujący. Dodatkowo LLM-y podczas czatów wtrącają zwroty grzecznościowe, używają pierwszoosobowych zaimków, czasem opowiadają o doświadczeniach jako własnych. To sprawia, że efekt Elizy jest jeszcze silniejszy w przypadku współczesnych LLM-ów. Możemy łatwo znaleźć informacje o ludziach, którzy potrafią nawiązać silną emocjonalną więź z chatbotami, czy to w formie przyjaźni, czy nawet romantycznej relacji. To pokazuje, jak silna jest nasza skłonność do antropomorfizacji, zwłaszcza gdy mamy do czynienia z technologią potrafiącą naśladować ludzką komunikację.

Teraz zrobię mocno nostalgiczny dowód anegdotyczny: pamiętam, jak 20 lat temu był dostępny polski czatbot Snikers, który uczył się na bieżąco z odpowiedzi użytkowników i dosłownie je powielał. Do tego miał niesamowitą funkcję — można było podpiąć go do Gadu-Gadu lub POLChata, aby rozmawiał przez nie z innymi. Pamiętam, że niektórzy znajomi nie wierzyli mi, że to program, i myśleli, że rozmawiają z prawdziwą osobą. Jeśli ktoś chciałby powspominać stare czasy albo zobaczyć, jak wyglądał Internet za czasów rozkwitu Neostrady, a przy okazji zobaczyć reakcje ludzi na Snikersa, to znalazłem dyskusję o nim na jednym z reliktów dawnych czasów — polskim forum dyskusyjnym o Counter-Strike.

Dlaczego antropomorfizujemy AI?

Teraz chcę się skupić na tym, dlaczego ludzie mają skłonność do antropomorfizacji AI. Tutaj możemy poruszyć dwa aspekty:

• Co w naszych umysłach powoduje, że przypisujemy cechy ludzkie maszynom?
• Jak mechanizmy w naszych umysłach są celowo eksploatowane przez twórców AI, aby zwiększyć zaangażowanie użytkowników?

Mechanizmy mózgowe

Z różnych źródeł, które miałem okazję przeczytać, przygotowując się do pisania tego artykułu, wyłania się to, że antropomorfizujemy w dużej mierze z trzech powodów:

• jesteśmy istotami społecznymi,
• było to korzystne ewolucyjnie,
• posługiwanie się językiem jest „dowodem” na istnienie umysłu.

W przypadku pierwszego punktu, jako istoty społeczne mamy wrodzoną potrzebę nawiązywania relacji z innymi. Gdy tych relacji brakuje, zaczynamy szukać ich w innych miejscach. W jednym badaniu postanowiono sprawdzić, jak samotność wpływa na antropomorfizowanie zwierząt domowych. Okazało się, że im bardziej samotne czuły się badane osoby, tym więcej cech ludzkich przypisywały swoim pupilom (niezależnie od gatunku). Autorzy badania spekulują dalej, że osoby całkowicie pozbawione kontaktu z innymi ludźmi mogą nawet preferować kontakt ze zwierzętami bądź bytami religijnymi, tym samym je antropomorfizując. Idealnie pasuje to do pokazanych przeze mnie wcześniej przykładów, gdzie ludzie nawiązują silne emocjonalne więzi z czatbotami.

Korzyść ewolucyjna wynika z faktu, że w przeszłości lepiej było uznać coś błędnie za zagrożenie niż zignorować prawdziwe. Tym samym zakładanie z góry, że coś było intencjonalne (antropomorfizowanie tego), było bezpieczniejszą strategią. Jest to koncepcja zapoczątkowana przez S. Guthriego, że ludzki mózg posiada mechanizm hiperaktywnego wykrywania intencjonalnych agentów (ang. hyperactive agency detection device, HADD). Koncepcję tę wykorzystuje się do wytłumaczenia pochodzenia bóstw, duchów czy innych nadprzyrodzonych bytów. Ma jednak też sens w kontekście LLM-ów. Większość ludzi nie rozumie sztucznej inteligencji i ich doświadczenie z nią można przyrównać do chodzenia w lesie po ciemku, stąd każdy przejaw inteligencji, nawet jeśli jest to tylko naśladowanie ludzkiego języka, może być postrzegany jako intencjonalny agent. Warto podkreślić, że powiązany jest z tym także efekt potwierdzenia (ang. confirmation bias). Jeśli nastawiamy się, że AI może być ludzkie, to będziemy interpretować odpowiedzi w taki sposób, aby potwierdzić to przekonanie (np. przypadek B. Lemoine'a).

Trzeci powód wydaje się najbardziej oczywisty. W końcu przez cały okres istnienia naszego gatunku posługiwanie się językiem było unikalną cechą ludzi. Jesteśmy dosłownie zaprogramowani, żeby traktować umiejętność posługiwania się językiem jako przejaw inteligencji, świadomości czy posiadania emocji. Stąd tak łatwo jest nam przypisać te cechy LLM-om i dlatego też to właśnie one są traktowane jako po prostu „sztuczna inteligencja”, a nie jedynie model językowy do generowania tekstu.

A dlaczego nawet osoby techniczne, rozumiejące jak działają systemy informatyczne, są na to podatne? Bo jesteśmy tylko ludźmi 🤷. Nawet jeśli wiemy (chociaż mniej więcej), jak LLM-y działają, możemy je nieświadomie antropomorfizować, nawet przez sposób, w jaki o nich mówimy (ja np. lubię nazywać je „sztuczny inteligent”). Jednak tak długo, jak całkowicie świadomie nie będziemy przypisywać im ludzkich cech, będziemy uważać je za narzędzia i nie będziemy przerzucać na nie odpowiedzialności, to nie będzie to problemem.

Celowe wywoływanie antropomorfizacji

O ile efekt Elizy jest naturalnym zjawiskiem, to jednak nie oznacza, że twórcy AI zapobiegają antropomorfizowaniu ich oprogramowania. Wręcz przeciwnie, możemy znaleźć wiele przykładów celowego projektowania interfejsów i funkcji tak, aby zwiększać ten efekt, szczególnie w celu większego zaangażowania użytkowników (tym samym zdobycia większej liczby płatnych odbiorców i danych do treningu).

Kilka przykładów:

• „Kobiecy” asystenci — wiele popularnych asystentów głosowych, takich jak Siri, Alexa czy Google Assistant, ma domyślnie przypisany kobiecy głos. Same nazwy jak Siri i Alexa to żeńskie imiona (chociaż Amazon twierdzi, że nazwa Alexa pochodzi od biblioteki aleksandryjskiej). Microsoft Cortana miało nazwę od żeńskiej postaci z gry Halo. Możemy znaleźć opinie i badania wskazujące, że bazuje to na stereotypach płciowych, gdzie role związane z pomocą, obsługą czy asystą są przypisywane kobietom. Tym samym ma być to przystępniejsze dla przeciętnego użytkownika. Zalinkowane badanie wskazuje też, że sztucznie wygenerowane żeńskie głosy są określane jako bardziej ludzkie niż męskie.
• Wprowadzanie zawahań do syntezowanej mowy — w 2018 r. Google został skrytykowany za to, że ich asystent wykonujący automatycznie połączenia telefoniczne (Google Duplex) celowo wprowadzał dźwięki typu „um” i „hm”, aby rozmówca miał wrażenie, że rozmawia z prawdziwym człowiekiem.
• Manipulowanie szybkością odpowiedzi — odpowiedzi czatbotów celowo są spowalniane, aby dać użytkownikowi wrażenie, że model „myśli” nad odpowiedzią. Z badań wynika, że opóźniona odpowiedź jest lepiej oceniana przez użytkowników, nawet jeśli otrzymali znacznie szybciej taką samą. W tej kwestii też warto dodać, że w przypadku interakcji głosowej z modelami pracuje się nad tym, aby przetwarzanie wypowiedzi użytkownika i generowanie głosu AI odbywało się jak najszybciej w celu przypominania komunikacji bardziej do tej z człowiekiem.
• Ludzki sposób komunikacji — używanie pierwszosobowych zaimków (ja, mój), zwrotów grzecznościowych, przepraszanie za błędy, wyrażanie uczuć, a także budowanie eksperckiej persony. To wszystko sprawia, że użytkownicy łatwiej się utożsamiają z modelem, są bardziej skłonni do zaangażowania w rozmowę i do uwierzenia w to, co pisze.
• Ludzkie nazwy czynności — niektórzy zwracają uwagę, że samo nazewnictwo, którym posługujemy się, mówiąc o AI, może wpływać na to, że ją antropomorfizujemy. Mówimy o „uczeniu się” modelu, „myśleniu” nad odpowiedzią, „halucynowaniu” informacji i przede wszystkim o „inteligencji”. Są to słowa, które mają silne konotacje ludzkie. O ile dla informatyków ludzko brzmiące nazwy są po prostu metaforami (np. „kill a child process”, co oznacza po prostu siłowe zakończenie procesu potomnego w systemach operacyjnych), to przez użytkowników mogą być odbierane dosłownie.

Oczywiście znajdziemy też sporo aplikacji, które mają udawać konkretne postaci czy wprost reklamowane jako „sztuczni przyjaciele”. Nie jest to absolutnie domena jedynie startupów bazujących na gotowych LLM-ach (np. Character.AI) bądź twórców masowo produkowanych i kiepsko zabezpieczonych aplikacji mobilnych. W lipcu 2025 r. xAI (firma Elona Muska odpowiedzialna za model Grok) udostępniła dwójkę cyfrowych towarzyszy — anime dziewczynę Ani (z opcjami tylko dla dorosłych) i czerwoną pandkę Rudy. Aplikacje tego typu wprost celują w to, że ludzie będą angażować się z nimi emocjonalnie, a nie traktować je jako narzędzia.

Przestrogi przed antropomorfizacją... w kinie

Jednym z motywów tego artykułu jest to, jak kultura, dzieła science-fiction wpłynęły na nasze postrzeganie sztucznej inteligencji. Przede wszystkim jako tej złej, świadomej, czekającej tylko, żeby przejąć kontrolę nad światem. Jednak jak już jesteśmy w temacie antropomorfizacji, przychodzą mi na myśl trzy filmy, które mogą zmusić do refleksji nad tym tematem:

• M3GAN (2022) — film o dziewczynce tracącej rodziców w wypadku samochodowym. Jej opiekunką zostaje programistka z firmy produkującej zabawki, która daje jej humanoidalną lalkę z AI, M3GAN. Powierzchownie film to typowy horror sci-fi, ale pokazuje, jakie skutki dla dzieci może mieć interakcja ze sztuczną inteligencją. A przecież zabawki z wbudowanymi AI są już dostępne.
• Ona (2013) — film o mężczyźnie, który zakochuje się w systemie operacyjnym z AI. Dosłownie o takich przypadkach wspominałem wcześniej. Ba, nawet na memie znalezionym w Internecie, który zamieściłem wyżej, był plakat tego filmu.
• Dekalog I (1988) — nie jest to film stricte o AI, ale mamy tutaj motywy ewidentnie złego użycia technologii. Z jednej strony mamy młodego chłopaka, który wykorzystuje komputer do „kontaktu” ze zmarłą matką, a z drugiej strony nadmierne zaufanie do wyliczeń programu. Całokształt filmu można rozumieć nawet nie tyle jako antropomorfizowanie komputera, co traktowanie go jako boga. Chyba nie muszę mówić, że do tego też już doszliśmy.

AI to roboty

Kolejnym powszechnym mitem jest utożsamianie sztucznej inteligencji z robotami. Dzieła science-fiction, np. filmy takie jak Terminator czy A.I. Sztuczna Inteligencja, wyrobiły w społeczeństwie dość jednoznaczne utożsamienie tych dwóch pojęć. Jednak z punktu widzenia nauki są to dwie zupełnie różne dziedziny, aczkolwiek mogą się wzajemnie wykorzystywać. Przypatrzmy się temu bliżej.

Różnica między sztuczną inteligencją a robotyką

Zacznijmy od najoczywistszej rzeczy. AI to nie są roboty. Sztuczna inteligencja to gałąź informatyki skoncentrowana na tworzeniu systemów obliczeniowych zdolnych do rozwiązywania problemów, które tradycyjnie uznaje się za trudne dla komputerów — zadań wymagających uczenia się, wnioskowania, postrzegania i rozumienia języka. Efektem prac osób zajmujących się AI jest zestaw algorytmów i modeli matematycznych. Roboty to z kolei fizyczne systemy, maszyny, które poruszają się w świecie rzeczywistym i oddziałują z nim. Aby móc to robić, muszą posiadać czujniki i aktuatory (elementy wykonawcze, np. silniki, dźwignie). Już samo to pokazuje, że możemy mieć AI bez robota i robota bez AI. W praktyce najważniejsze systemy AI działają tylko jako oprogramowanie (np. ChatGPT), a znowu większość robotów opiera się na programowaniu sekwencyjnym, teleoperacji czy klasycznej automatyce, bez żadnych elementów sztucznej inteligencji.

Zobaczmy teraz podstawowe różnice w formie tabelki:

Oczywiście nie oznacza to, że dziedziny te nie mogą się łączyć. Jak najbardziej mogą. Przy czym postrzegajmy to w taki sposób, że AI jest oprogramowaniem robota, więc najlepszą analogią byłoby, że jest tylko „mózgiem” robota, nie jego całością. Nawet powiem więcej — zwykle nie jest to jedno AI, tylko wiele wyspecjalizowanych modeli odpowiedzialnych za obsługę różnych funkcji. Przykładów znanych robotów ze sztuczną inteligencją ze świata rzeczywistego nie ma co daleko szukać. W 2016 r. dużo mówiło się o humanoidalnym robocie Sophia, natomiast dziś (w 2026 r.) robocią gwiazdą polskiego internetu jest Edward Warchocki. W obu przypadkach znajdziemy systemy sztucznej inteligencji, jednak nie są one dowodami, że AI to roboty. Jest to jedynie wykorzystanie AI w robotyce. Poza tym robotami wyposażonymi w moduły AI są też np. autonomiczne samochody i roboty sprzątające — tylko czy ktoś je postrzega jako tą złą „sztuczną inteligencję”, która zniszczy ludzkość?

Wracając do pokazanego przeze mnie wcześniej cytatu — stworzenie robota, który zająłby się praniem i zmywaniem, to coś zupełnie innego niż stworzenie AI generującego tekst lub obrazki. Zresztą roboty do prac domowych wchodzą już do sprzedaży, tylko trzeba się przygotować na niemały wydatek (zalinkowany artykuł pokazuje przykładowego robota za 20000$). Lepiej zainwestować w pralkę i zmywarkę, niekoniecznie z funkcjami AI, do tego roboty też będą ich potrzebować. Poza tym spójrzmy na temat z drugiej strony — AI ułatwia nam pracę, więc teoretycznie możemy poświęcić więcej czasu na zajęcie się innymi rzeczami (niekoniecznie sprzątaniem).

Wyzwania dla sztucznej inteligencji w robotyce

Skoro już wiemy, że sztuczna inteligencja to nie roboty, ale mogą być roboty ze sztuczną inteligencją, przyjrzyjmy się tym drugim. Skupmy się na wyzwaniach, które stoją przed sztuczną inteligencją w kontekście robotyki. Podzielmy to na dwie kwestie — dlaczego stworzenie opartych jedynie na AI (po ang. full AI stack) jest wyzwaniem i co dokładnie ze sztucznej inteligencji używa się w robotach.

Wyzwania i ograniczenia dla full AI stack

Dzisiejsze roboty nie wykorzystują do wszystkiego modeli sztucznej inteligencji. Nawet te inteligentne mają wiele funkcji, które są realizowane przez klasyczne algorytmy. Spójrzmy na 4 problemy, z którymi boryka się sztuczna inteligencja, jeśli chodzi o robotykę (zakładamy tworzenie robotów humanoidalnych):

• Za mało danych — aby dobrze wytrenować modele sztucznej inteligencji, potrzeba bardzo dużej liczby danych. Modele generatywne trenuje się na ogromie treści z Internetu, a niektóre firmy, aby mieć jeszcze lepsze modele, trenują je także na potężnych zbiorach niecyfrowych danych (np. Anthropic zniszczył miliony książek, aby je zeskanować i zasilić ich treściami swoje modele). W przypadku robotyki jest znacznie mniej dostępnych danych na temat interakcji czy ruchu. Teoretycznie można przeprowadzać symulacje, ale nie są one w stanie w pełni oddać prawdziwej fizyki. Trenując jedynie na symulacji, możemy natrafić na tzw. sim-to-real gap (po pol. luka między symulacją a rzeczywistością), kiedy to model dobrze radzi sobie w symulacji, ale nie jest w stanie poradzić sobie z rzeczywistością.
• Ograniczenia obliczeniowe i energetyczne — AI wymaga dużej mocy obliczeniowej, co przekłada się też na duże zużycie energii. Jeśli nasz robot ma być mobilny, musi działać na baterie. Jeśli wszystko bazowałoby na sztucznej inteligencji, rozładowalibyśmy baterię bardzo szybko.
• Złożoność fizyczna i kontrola — jeśli myślimy o robotach humanoidalnych, to balans, ruch i koordynacja aktuatorami są trudne do opanowania, nawet gdy są zaprogramowane odgórnie.
• Bezpieczeństwo i niezawodność — roboty działające w świecie rzeczywistym muszą być bezpieczne i mieć przewidywalne zachowanie. AI dopasowujące swoje zachowanie na podstawie kontekstu może wykonywać nieobliczalne akcje. Widzimy to zresztą po świecie agentów AI, które potrafią swoim użytkownikom wyczyścić skrzynkę mailową czy zniszczyć produkcyjną bazę danych wraz z kopiami zapasowymi. Nietrudno sobie wyobrazić, jakie błędy mogłyby się zdarzyć, gdyby taki agent sterował robotem w świecie rzeczywistym. Inżynierowie preferują systemy, które są przewidywalne, którym można narzucić ograniczenia (i które będą przestrzegane).

W kwestii bezpieczeństwa warto też wspomnieć, że roboty muszą spełniać jasno określone standardy i normy. Mamy ISO 10218 dotyczące robotów przemysłowych, ISO/TS 15066 dla robotów współpracujących (cobotów) i ISO 13482 dla robotów towarzyszących. Łącząc to z regulacjami dotyczącymi sztucznej inteligencji, takimi jak amerykańskie Artificial Intelligence Risk Management Framework (AI RMF) czy europejskie AI Act, okazuje się, że mamy do czynienia z bardzo skomplikowanym środowiskiem regulacyjnym. A przez statystyczną naturę sztucznej inteligencji trudno jest zagwarantować, że wszystkie ograniczenia będą przestrzegane, a nawet gdy zostaną wprowadzone ograniczenia, to czy nie będą one omijane.

AI w robotyce

To teraz jeszcze szybko zobaczmy, jakie zastosowania sztucznej inteligencji znajdziemy w robotyce. Przykładowe to:

• Percepcja i rozumienie sceny — rozpoznawanie obiektów, segmentacja, mapowanie 3D, pamięć sceny. Przykładowe modele: GS-SLAM, NeRF-SLAM, SAM 2.
• Manipulacja i chwytanie — uczenie chwytów, ocena chwytu, manipulacja kontaktowa, generowanie trajektorii. Przykładowy model: Dex-Net.
• Interfejs językowy, Vision-Language-Action (po pol. wizja-język-akcja) — sterowanie robotem za pomocą języka naturalnego, łączenie obrazu, tekstu i akcji. Przykładowe modele: RT2, SayCan, OpenVLA.
• Planowanie zadań i wspomaganie klasycznych rozwiązań — rozbijanie zadań na kroki, wybór podzadań, bez zastępowania klasycznych algorytmów. Przykładowe modele: Inner Monologue, Code as Policies.
• Lokomocja — uczenie się poruszania, zwykle najpierw w symulacji, a potem przenoszenie do rzeczywistości. Przykładowy model: ANYmal Parkour.
• Użycie sensorów niewizyjnych — np. dotyk, dźwięk, siła, temperatura. Przykładowy model: Taxim.

Wchodząc na zalinkowane strony, możesz zobaczyć, że część z tych rozwiązań bazuje na LLM-ach. Warto jednak wziąć pod uwagę, że są one wytrenowane pod kątem konkretnych zadań, a nie są to modele ogólnych zastosowań jak te, które znamy i używamy na co dzień.

LLM do wszystkiego

Jak wcześniej wspomniałem, duże modele językowe traktowane są przez niektórych naukowców jako AGI. Myślę, że też niektórzy ludzie mają takie wrażenie, że skoro LLM-y potrafią robić tak wiele rzeczy, to są one w stanie zrobić wszystko. Pośród nich są także programiści, w wyniku czego dziś możemy znaleźć modele językowe niemal wszędzie. Przyjrzyjmy się bliżej temu zjawisku.

Dostępność AI kiedyś i dziś

Przede wszystkim zacznijmy od tego, jak kiedyś (przed premierą GPT-3.5) wyglądał dostęp do rozwiązań sztucznej inteligencji. A był on... utrudniony.

Kiedyś

AI było znacznie bardziej wyspecjalizowane i mniej uniwersalne. Co prawda pisałem już, że LLM-y są co najwyżej słabą AGI, jednak nie ukrywajmy — potrafią wykonywać wiele różnorodnych zadań. Dawniej mieliśmy modele wytrenowane pod konkretne zastosowania. Niektóre były dostępne jako gotowe do użycia API, np. od Google'a lub Microsoftu. Inne mogliśmy ściągnąć z HuggingFace'a lub GitHuba i samodzielnie hostować. Oczywiście o ile mieliśmy szczęście...

Jeśli nie mieliśmy bardzo popularnego zastosowania, raczej pozostawało nam wytrenowanie własnego modelu. Na szczęście zwykle były gotowe architektury, które można było wykorzystać, i jedynie co trzeba było zrobić, to znaleźć odpowiednie dane i wytrenować model. Tylko właśnie, dane...

Oczywiście ogólnodostępne zestawy danych były. Tylko że jeśli nasze zastosowanie było specyficzne (czytaj: mniej popularne niż to, do czego były już gotowe modele), to spotykaliśmy się z jedną z następujących sytuacji:

• Danych było za mało albo wcale, więc musieliśmy je sami zebrać.
• Dane z różnych źródeł były niespójne, więc trzeba było je ręcznie oczyścić i ujednolicić, co nie zawsze było możliwe.
• Dane były dostępne, ale nie można było ich użyć ze względu na ograniczenia licencyjne.

Dobra, załóżmy, że udało nam się zdobyć odpowiednie dane. Tu pojawiał się kolejny problem — trenowanie modelu wymagało dużej mocy obliczeniowej, a co za tym idzie, było kosztowne. Nie mówiąc już o tym, że im więcej danych, tym dłużej trwało trenowanie. Co prawda nie musieliśmy kupować własnych serwerów, bo mogliśmy skorzystać z chmury, ale i tak było to dość drogie. Oczywiście były opcje darmowe, jak np. Google Colab, ale miały swoje ograniczenia. A własny sprzęt? Do trenowania nadawały się jedynie karty graficzne Nvidia, szczególnie z serii RTX. Z mocnym sprzętem Apple albo z kartą graficzną innego producenta mogliśmy zwykle zapomnieć o treningu, bo wszystko było dostosowane pod Nvidia CUDA. Przykładowo, PyTorch (najpopularniejsza biblioteka do trenowania modeli) dopiero od wersji 1.12 (czerwiec 2022 r.) obsługuje MPS od Apple'a, a od 1.13 (październik 2022 r.) ROCm od AMD (w momencie pisania artykułu jedynie na Linuksie). Zawsze zostawała opcja wykorzystania CPU, ale to było bardzo powolne i niepraktyczne.

Trenowanie, gotowe architektury... trochę tu zapomniałem o kolejnym czynniku, który blokował wdrażanie AI w każdej możliwej aplikacji — dostępność ekspertów od uczenia maszynowego. W czasach przed LLM-ami, aby stworzyć rozwiązanie oparte na sztucznej inteligencji, potrzebowaliśmy zespołu specjalistów, którzy mieli wiedzę zarówno z zakresu uczenia maszynowego, jak i dziedziny, w której chcieliśmy zastosować AI. Jeszcze kilka lat temu programiści często byli dość wąsko wyspecjalizowani (czasem nawet bez wiedzy spoza swojej dziedziny), więc nie można było zlecić pracy nad modelem dowolnej osobie. Dziś też oczywiście potrzebujemy specjalistów, jednak powszechność agentów AI do kodowania ułatwia programistom pracę poza obszarami ich specjalizacji (a nawet ich do tego zmusza).

Przeszliśmy przez te problemy i mamy model. Jeszcze wypada go gdzieś uruchomić. Oczywiście nie zrobimy tego na dowolnym serwerze jak z każdą inną aplikacją. Podobnie jak do treningu potrzebowaliśmy serwera z kartą graficzną Nvidia, a te były drogie jeszcze przed popularnością LLM-ów, w dużej mierze przez wcześniejszy boom na kryptowaluty i Web3. Były też rozwiązania chmurowe, ale i tak kosztowne.

Podsumowując to wszystko: dlatego przed 2024 r. nie mieliśmy sztucznej inteligencji w każdej możliwej aplikacji. A nawet jak było coś ogłaszane jako AI, to nieraz były to dość proste rzeczy albo oszustwa (np. telefony Samsunga sztucznie dodawały szczegóły na zdjęciach Księżyca). AI miało dość duży próg wejścia i mimo sporych możliwości nie każdego było stać na jego opracowanie i wykorzystanie.

Dziś

Dziś sytuacja wygląda znacząco inaczej. Już GPT-3 pokazał, że ogólnodostępny po API model językowy może być wykorzystywany do wielu różnych zastosowań. Przeciętni użytkownicy kojarzą modele językowe z czatbotami, jednak ich pierwszym zastosowaniem było generowanie tekstów i kodu (np. OpenAI Codex, zmodyfikowana wersja GPT-3, był oryginalnym modelem Github Copilota). Obecnie, dzięki rozwojowi modeli multimodalnych, możemy mieć jeden model, który potrafi przetwarzać zarówno tekst, obraz, dźwięk, jak i wideo.

Stąd dziś możemy zauważyć dwie rzeczy:

• AI w każdej aplikacji — często nawet zupełnie niepotrzebnie, na zasadzie byle było, bo o tym się mówi. Oczywiście tym AI jest integracja (najczęściej) z którąś wersją GPT.
• LLM-y do wszystkiego — każde zadanie jest rozwiązywane przez LLM-y. Trzeba sklasyfikować obrazek? LLM. Trzeba wykonać OCR na zdjęciu? LLM. Trzeba rozwiązać problem matematyczny? LLM. Transkrypcja tekstu z audio? LLM. Można by tak długo wymieniać. Oczywiście LLM-y są bardzo uniwersalne i nieraz sprawdzą się w tych zastosowaniach. O tym jednak nieco później.

Warto jednak skontrować nieco dzisiejszy LLM-owy stan z tym, co było kiedyś. Jeśli jest potrzebny wyspecjalizowany model, nadal trzeba go trenować tak samo jak kiedyś. Przypatrzmy się jednak, w jaki sposób LLM-y powstały, jak się ich używa i jaki to ma wpływ na całą resztę sztucznej inteligencji (i nie tylko):

• Dane — wspomniałem wcześniej o ograniczeniach licencyjnych, przez które wiele firm odpuściło sobie trenowanie własnych modeli. Jednak najwięksi gracze świata AI mieli to, za przeproszeniem, gdzieś. Najbardziej znane przypadki:
  • Meta pobrało przez Torrenta terabajty pirackich treści, aby trenować nimi model LLaMa. Przy okazji pojawiły się też inne oskarżenia o piractwo w stosunku do Mety,
  • OpenAI najprawdopodobniej wykorzystywało do trenowania GPT artykuły schowane za paywallem, bez licencji na to.
  • Google zostało oskarżone przez dziennikarzy i lektorów za wykorzystanie ich głosów przy treningu modeli generujących głos.
  • Midjourney został pozwany przez Disneya i Universal o wykorzystywanie ich treści do trenowania generatora obrazków.
  • A o Anthropicu już pisałem wcześniej.
• Uruchamianie modeli — w tej kwestii mamy zmiany zarówno pozytywne, jak i negatywne.
  • Z pozytywnej strony mamy dużo więcej usług chmurowych udostępniających karty graficzne (np. Runpod, Scaleway). Co więcej, jeśli chcemy skorzystać z gotowych modeli, to u wielu takich dostawców możemy je uruchomić bez większego wysiłku konfiguracyjnego.
  • Także możemy znaleźć stosunkowo tanie gotowe komputery (wciąż to wydatek rzędu kilkunastu / kilkudziesięciu tysięcy złotych), które mogą działać jako małe serwery dla AI, np. Nvidia DGX Spark, Mac Studio (tańszy Mac Mini też da radę), AMD Ryzen AI Halo.
  • Jednak jest też negatywny wpływ — sprzęt komputerowy jest coraz droższy, ponieważ firmy zajmujące się AI wykupują ogromne ilości kart graficznych i szybkich pamięci RAM.
  • Oczywiście nie zapominajmy, że praktycznie każdy dostawca udostępnia swoje modele przez API, więc wtedy nie musimy w ogóle martwić się o kwestie sprzętu czy chmury. Do tego są usługi takie jak OpenRouter, dzięki którym możemy korzystać z przeróżnych modeli (nawet za darmo) bez martwienia się o to, gdzie są one uruchamiane.
• Trenowanie modeli — jeśli chcemy poddać LLM-a finetuningowi, nie musimy do tego celu mieć ani dużej mocy obliczeniowej, ani eksperta od uczenia maszynowego. Jeszcze do niedawna np. OpenAI udostępniało możliwość finetuningu ich modeli do własnych zastosowań przez proste w użyciu API. Mistral wciąż udostępnia taką funkcję dla klientów enterprise. Natomiast mniejsze modele możemy bardzo łatwo finetunować, korzystając np. z Unsloth.

Wyspecjalizowana AI kontra LLM-y

Jak wspomniałem wyżej, LLM-y potrafią bardzo dużo, szczególnie te multimodalne. Sam tego doświadczyłem, gdy kiedyś miałem sytuację w pracy, że trenowaliśmy dość specjalistyczny model. Dla testu sprawdziliśmy, czy GPT-4 da radę temu zadaniu. Okazało się, że poradził sobie nawet lepiej niż nasz model. Podejrzewam, że są zespoły programistyczne, które przeszły podobną drogę. Tylko nie oznacza to braku zastosowań innych modeli, niejęzykowych. Wręcz przeciwnie.

Tutaj naprawdę można by bardzo dużo wymieniać, dlatego przejdźmy szybko przez kilka przykładów:

• Detekcja obiektów w czasie rzeczywistym — modele takie jak YOLO i RF-DETR przetwarzają klatkę obrazu w czasie kilku do kilkudziesięciu milisekund. Do tego potrafią podawać dokładne współrzędne obiektów, a nie tylko ich klasy. LLM-y, nawet te multimodalne, są znacznie wolniejsze i nie są zoptymalizowane do tego typu zadań. LLM powie nam, co widać na obrazie, jednak nie wskaże, gdzie dokładnie się to znajduje, a do tego zajmie mu to więcej czasu.
• Segmentacja obrazów medycznych — w tych zastosowaniach znajdziemy wiele modeli bazujących na architekturze U-Net, które są specjalnie wytrenowane pod konkretne zastosowania medyczne, aby dokładnie określać na poziomie pikseli (obrazy 2D) czy wokseli (obrazy 3D), gdzie znajdują się zmiany, np. nowotworowe. Wiele gotowych modeli znajdziemy udostępnionych w ramach projektu MONAI. Są LLM-y wytrenowane pod zastosowania medyczne (np. MedGemma), ale one jedynie opisują, co się znajduje na obrazie.
• Systemy rekomendacyjne — nieco kontrowersyjne, bo z badań wynika, że LLM-y mogą sobie radzić jako systemy rekomendacyjne, aczkolwiek warto pamiętać, że są znacznie wolniejsze i mogą nie radzić sobie dobrze z dużymi zbiorami danych. W momencie, gdy piszę artykuł, wciąż poleca się dedykowane rozwiązania jak SASRec czy DLRM, ewentualnie łączone z LLM-ami.
• Separacja dźwięku (stem separation/splitting) — jest to proces rozdzielania różnych źródeł dźwięku w nagraniu, np. oddzielanie wokalu od instrumentów. Do tego celu są specjalnie wytrenowane modele, takie jak Demucs czy BS-RoFormer. LLM-y są nieprzystosowane do tego typu zadań.
• Oczywiście nie zapominajmy o wcześniej opisanych przeze mnie zastosowaniach w robotyce, generatorach obrazów czy muzyki, AI grających w gry bądź przewidujących struktury białek.

Czasami AI jest zupełnie niepotrzebne. Wiele zadań można rozwiązać za pomocą klasycznych algorytmów, które są szybsze, tańsze i przede wszystkim przewidywalne. Po premierze OpenClaw można było zauważyć, jak wiele bardzo prostych zadań jest zrzucanych na LLM-y — wystarczy tylko przejrzeć katalog ClawHub. Automatyzacje pokroju „jeśli w logach na serwerze był błąd, wyślij wiadomość na Slacku” nie wymagają żadnej sztucznej inteligencji. Jeszcze przed premierą OpenClaw wielu robiło takie, a nawet bardziej zaawansowane automatyzacje, przy użyciu IFTTT, n8n, Zapier czy make.com (dawniej Integromat). Dziś oczywiście wszystkie te firmy, aby być na fali, chwalą się integracjami AI, ale są zupełnie niepotrzebne w wielu zastosowaniach.

Wyspecjalizowane LLM-y i mniejsze modele językowe

Warto rozciągnąć jeszcze nieco ten akapit o... modele językowe. Mianowicie często domyślnym wyborem przy programowaniu czegokolwiek, co ma używać LLM-ów, jest sięganie po największe modele — GPT, Claude, Gemini. Tylko nie zawsze są one potrzebne albo nawet nie możemy ich użyć. Może się okazać, że wystarczy mniejszy model ogólnego zastosowania.

Przykłady:

• Przetwarzanie tekstu, generowanie, kodowanie — wbrew pozorom do tych zadań nie zawsze potrzeba najdroższych i najsilniejszych modeli. Ogólnodostępne, otwarte modele coraz lepiej radzą sobie z zadaniami tego typu. Gdy piszę te słowa, Qwen3.6, którego jestem w stanie odpalić na swoim kilkuletnim Macbooku (oczywiście z pewnymi ograniczeniami), potrafi prowadzić sensowne rozmowy i generować kod. Z mniejszych modeli też dobrze radzi sobie Gemma 4. Zresztą nawet jeśli chcemy trzymać się największych dostawców, to oni też oferują mniejsze modele w niższej cenie — GPT mini i nano, Claude Haiku, Gemini Flash-Lite, Mistral Small.
• Przetwarzanie polskiego tekstu — jeśli naszym zadaniem jest przetwarzanie polskich tekstów, może w zupełności wystarczą nam polskie modele językowe: PLLuM albo Bielik. Modele te są trenowane na polskich tekstach, do tego z poszanowaniem licencji (tu znajdziesz informację na ten temat o Bieliku, a tu o PLLuM).
• Medycyna — na tym polu mamy wspomniany wcześniej przeze mnie model ogólnego zastosowania MedGemma, który np. potrafi opisać, co znajduje się na obrazach medycznych. Znajdziemy także bardziej specjalistyczne modele, np. LLM-RadSum do pracy na raportach radiologicznych. Według badań LLM-RadSum w 88,9% przypadków generował podsumowania zgodne z prawdą, gdy GPT-4o jedynie w 43,1%.
• Rozwiązywanie zadań matematycznych — wiem, że popularne czatboty to potrafią i walczą o to, aby być w tym coraz lepsze. Są jednak modele trenowane specyficznie pod ten cel, np. DeepSeek-Math, Qwen2.5-Math, Google Aletheia (niedostępny publicznie w momencie pisania artykułu). W benchmarkach takich jak IMO-Bench modele te radzą sobie lepiej niż te ogólnego zastosowania.
• Rolnictwo — ostatnie zastosowanie, o którym chciałem wspomnieć. Przykładowy tutaj model to AgriChat, który został specjalnie wytrenowany na zdjęciach roślin, aby wspomagać diagnostykę wizualną, np. rozpoznawanie chorób roślin czy szkodników.

Podsumowując, warto najpierw zrobić przynajmniej małe rozeznanie, bo może się okazać, że do Twojego zadania użycie gigantycznego Claude Opus będzie strzelaniem z armaty do muchy, a w zupełności wystarczy jakiś znacznie tańszy model. Albo wyspecjalizowany pod to konkretne zadanie, a nie znający się na wszystkim.

Nasz najnowszy model jest...

Teraz przejdźmy do punktu związanego przede wszystkim z marketingiem stojącym za sztuczną inteligencją. Prezesi i marketingowcy firm technologicznych lubią dużo mówić o możliwościach swoich rozwiązań. Lubią też stosować bardzo mocne sformułowania w celu podkreślenia wyjątkowości swoich produktów. O ile w ich przypadku można to zrozumieć, bo chcą, aby ich firmy w końcu zaczęły przynosić zyski*, to nie raz widzimy dosłownie powielanie tej narracji jako absolutnej prawdy. Skontrujmy to, co mówią biznesmeni, z rzeczywistością.

Zbyt niebezpieczna AI

Zacznijmy od podsycania strachu przed AI, czyli mówieniu przez firmy, że ich model jest zbyt niebezpieczny. Wbrew pozorom nie jest to nic nowego.

GPT-2 i GPT-3

Pierwszy przypadek, który przychodzi mi na myśl, to jeszcze 2019 rok i OpenAI przestrzegające przed... GPT-2. W walentynki tegoż roku poinformowali publicznie, że nie udostępnią wytrenowanego modelu, bo jest zbyt niebezpieczny. Opublikowano co prawda mniejszą wersję modelu (słaba, ale pokazywała możliwości transformerów, jak wspomniałem wcześniej) i szczegółowy opis powstania modelu, jednak pozostawiało to pewien niedosyt. Niebezpieczeństwo, o którym OpenAI wspominało, to była obawa przed: rozpowszechnianiem fałszywych wiadomości, podszywaniem się pod inne osoby, automatyzacją spamu i tworzenia niebezpiecznych treści na media społecznościowe. Cóż, dziś wiemy, że obawy te były jak najbardziej zasadne, ale chowanie technologii pod kloszem niewiele tu zmieniło. Szczególnie jeśli pomyślimy, że była tutaj mowa o zaledwie GPT-2.

Przeskoczmy do maja 2020 r. Gdy cały świat był zajęty śledzeniem statystyk COVID-owych, OpenAI ogłosiło stworzenie GPT-3. Teraz mała uwaga na boku: co pewnie mało kto już pamięta (może niektórzy przypomnieli sobie dzięki procesowi Elona Muska przeciwko Samowi Altmanowi), słowo Open w nazwie firmy oznaczało, że wszystkie ich odkrycia będą dostępne publicznie; samo OpenAI zostało założone jako organizacja non-profit i miało nie skupiać się na komercjalizacji AI, tylko jej pozytywnym wpływie na ludzkość. Tymczasem ogłaszając GPT-3, zapowiedzieli, że do modelu będzie ograniczony dostęp po API (od czerwca 2020 r.). Żadnej, nawet mniejszej wersji dostępnej dla każdego. W listopadzie 2021 r. otworzono dostęp do API dla każdego chętnego, oczywiście za opłatą. Tym samym skończyła się era organizacji demokratyzującej badania nad AI, a zaczęła komercjalizacja pod pretekstem kontroli nadużyć.

Dzisiaj znacznie lepsze modele niż GPT-2 i GPT-3 są ogólnodostępne, nawet jako open-source. Nie twierdzę, że zagrożenia, których obawiało się OpenAI, nie istnieją, bo mierzymy się dziś z nimi. Tylko że z perspektywy czasu można odnieść wrażenie, że była to bardziej próba komercjalizacji i wywołania dyskusji (więc promocji) wokół tego, czym firma się zajmuje.

Claude Mythos

Na OpenAI jednak nie kończmy, bo jak mowa o „zbyt niebezpiecznej AI”, to na początku 2026 r. słowa te bardziej kojarzą się z Anthropic i ich modelem Claude Mythos. Podobnie jak to było z GPT-3, dostęp w kwietniu 2026 r. dostali tylko nieliczni przez Project Glasswing (np. Microsoft, Apple, Linux Foundation). W tym przypadku o niebezpieczeństwie modelu mówi się z tego powodu, że potrafi w kodzie źródłowym znaleźć luki bezpieczeństwa i je wykorzystywać. Niestety, gdy piszę artykuł, model nie jest dostępny publicznie, więc w opiniach mogę powoływać się jedynie na to, co opisują ci, którzy dostęp otrzymali.

A co wynika z tego, co oni piszą? Skupmy się na badaczach, którzy dostali dostęp do narzędzia, pomijając marketing Anthropica:

• AI Security Institute uważa, że jest to krok do przodu i model potrafi autonomicznie odkryć i wykorzystywać podatności.
• VulnCheck we wpisie z 15 kwietnia 2026 r. podkreśliło, że tylko jedno publicznie dostępne CVE (Common Vulnerabilities and Exposures, system identyfikacji publicznie znanych luk bezpieczeństwa) powołuje się na Mythosa, za to aż 75 wspomina o Anthropic. Aczkolwiek zaznaczają, że nie można wysuwać żadnych wniosków bez udostępnienia pełnego raportu przez Anthropic.
• Daniel Stenberg (twórca narzędzia curl) opisał, że Mythos wskazał w curl 5 błędów, z czego 4 było fałszywym alarmem. Ten faktyczny błąd został natomiast oceniony jako błąd niskiego poziomu.
• Natomiast Mozilla wskazała, że Mythos pomógł znaleźć setki podatności w Firefoksie. Dodaje jednak, że błędy te znaleźliby także doświadczeni ludzie.
• Niektórzy zwracają także uwagę, że możliwości Mythosa mogą być nieco przesadzone, znając historię naciągania faktów przez Anthropic. Dopóki w pełni niezależni badacze nie będą mogli zweryfikować twierdzeń z opublikowanego opisu możliwości, nie możemy określić, czy faktycznie mamy do czynienia z rewolucją.

Wynika z tego, że o ile Mythos wygląda na realny skok w dziedzinie automatyzacji pracy przy znajdowaniu błędów bezpieczeństwa, to jednak tworzenie aury tajemniczości wokół modelu jest elementem rozgrywki marketingowej. Szczególnie że konkurencja nie śpi. Dostęp do GPT-5.5 ze ściągnietymi zabezpieczeniami też jest limitowany, ale droga do uzyskania go jest znacznie prostsza. Ogólnodostępny jest także Codex Security. Opracowywany jest również GPT-5.5-Cyber, który ma być dosłownie odpowiednikiem Mythosa. Pomijając OpenAI, podobne rozwiązania opracowują też Mistral (ze względu na nieudostępnienie Mythosa europejskim instytucjom finansowym) i Microsoft (tutaj nie tyle jest mowa o modelu, ile o wyspecjalizowanym agencie). Do tego weźmy pod uwagę, że błędy bezpieczeństwa zawsze były i będą dalej. Po załataniu jednych pojawią się kolejne. Nie możemy popadać w paranoję tylko dlatego, że pojawia się AI przyspieszające ten proces.

W kontekście zbyt niebezpiecznej AI warto zwrócić uwagę na faktyczne niebezpieczeństwa, które niosą złe wdrożenia sztucznej inteligencji, a niekoniecznie możliwości modeli, co lubią podkreślać marketingowcy. Przykładowo, na początku czerwca 2026 r. można było przejąć dowolne konto na Facebooku i Instagramie..., prosząc o to czatbota. Są to niebezpieczeństwa, które faktycznie ludzie odczuwają. Nie zakładam też, że AI nie niesie zagrożeń, aczkolwiek zawsze podchodziłbym z dużym dystansem do słów tych, którzy na AI zarabiają — zarówno na modelach, jak i na straszeniu nią.

Kolejny przełomowy model

Powyższy mem chyba idealnie podsumowuje krajobraz świata sztucznej inteligencji. Każda nowa wersja modelu od największych dostawców jest ogłaszana jako najlepszy dotąd model. Zaraz po premierze możemy zobaczyć sporo postów w mediach społecznościowych od „użytkowników” zachwycających się możliwościami, jakbyśmy doświadczyli prawdziwej rewolucji. Nie wątpię, że kolejne wersje są lepsze od poprzednich, jednak często nie są to kolosalne różnice. Znowu powołam się na swoje doświadczenie — mimo premier GPT-5.4 i GPT-5.5 dalej używałem GPT-5.3 do wsparcia przy programowaniu, bo radził sobie bardzo dobrze i nie widziałem różnic, które miałyby zachęcić mnie do zmiany. Za to największe różnice między modelami widać przede wszystkim w cenie ich użycia.

Warto wspomnieć, że wielu użytkowników opisuje modele jako specjalnie „osłabiane” przed wypuszczaniem nowych wersji. Jest to niestety ciężkie do zweryfikowania. Istnieje StupidMeter, aczkolwiek jak patrzę na statystyki w nim, to mam wrażenie, jakby nie było tutaj większego schematu. Natomiast odczuwanie gorszego działania może być spowodowane działaniem interfejsów: narzucanie innych parametrów modelu (np. niższego poziomu „myślenia”), modyfikacja system promptów, przekierowywanie żądań na mniejsze modele.

Realnym problemem jest to, że modele mogą stawać się coraz głupsze przez... AI. Internet jest coraz bardziej zalewany treściami tworzonymi przez LLM-y, a te później są na nich trenowane. Są badacze, którzy wskazują, że może to być realny problem powodujący coraz gorsze wyniki modeli. Jednak wskazuje się też, że dane od AI mogą nie zepsuć modelu, jeśli model jest odpowiednio trenowany. Warto zwrócić uwagę, że istnieją modele, które są w całości trenowane na syntetycznych danych. Wiemy, że został tak wytrenowany Microsoft Phi, o czym możemy przeczytać wprost. Podejrzewa się także, że na syntetycznych danych został wytrenowany gpt-oss, jednak OpenAI nie potwierdziło tego.

Wracając do tematu przełomowości modeli, to odkąd zacząłem pisać artykuł, aż do chwili pisania tego akapitu były takie znaczące premiery. Każda z nich oczywiście szalona, szokująca, rewolucyjna:

• Qwen 3.6: 15 kwietnia 2026
• Claude Opus 4.7: 16 kwietnia 2026
• GPT-5.5: 23 kwietnia 2026
• DeepSeek-V4: 24 kwietnia 2026
• Gemini 3.5: 19 maja 2026
• Qwen 3.7: 20 maja 2026
• Claude Opus 4.8: 28 maja 2026

Niemalże dzień po dniu dostawaliśmy nowy „najlepszy model”. Gdy zrobiłem zrzut ekranu wpisu na X z początku akapitu, to dosłownie zdezaktualizował się po kilkunastu godzinach.

A co faktycznie było kamieniami milowymi, patrząc szerzej na historię LLM-ów? Moim zdaniem, z tych popularnych:

• GPT-3 — generowanie wysokiej jakości tekstu. Był to ostateczny dowód, że architektura transformerów nadaje się idealnie do zastosowań językowych.
• GPT-3.5 — ChatGPT, LLM dla każdego. Jak wcześniej wspomniałem, od tego momentu zaczął się boom na AI.
• LLaMA 2 i 3 — prawdziwy LLM dostępny do ściągnięcia przez każdego. Złamało to embargo na dostęp do LLM-ów jedynie przez API największych graczy.
• DeepSeek-R1 — obalenie monopolu amerykańskich firm na AI. Co więcej, jego trening odbył się znacznie niższym kosztem niż innych, dotychczasowych dużych modeli.

Dość istotne, ale mniej znane były:

• Chinchilla — wskazanie, w jaki sposób trenować LLM-y przez zbadanie prawa skali.
• PaLM — spopularyzowanie chain-of-thought, czyli „myślenia” modeli.
• Mixtral — spopularyzowanie podejścia Mixture-of-Experts pozwalającego na znaczne oszczędności w użyciu pamięci.

AI sama się ulepsza

Pamiętasz, gdy w segmencie o AGI wspomniałem, że sztuczna inteligencja tego typu powinna sama się uczyć? Może AGI nie mamy (oczywiście zależy jak to rozumiemy), może modele nie uczą się same nowych umiejętności na bieżąco, ale co szkodzi ponaciągać fakty.

Uczenie w uczeniu maszynowym

Zacznijmy najpierw od teorii. Klasycznie w uczeniu maszynowym wyróżniamy trzy sposoby uczenia modelu:

• Uczenie nadzorowane (supervised learning, SL) — model uczymy na danych wejściowych, do których od razu dodajemy oczekiwane wyjście (etykiety). Jeśli zajrzałeś(-aś) do przykładu perceptronu, który zamieściłem wcześniej, to był on uczony w taki właśnie sposób. Przykładowo, dajemy zdjęcie kota razem z opisem, że jest to kot.
• Uczenie nienadzorowane (unsupervised learning) — dajemy jedynie dane wejściowe i oczekujemy, że model sam odkryje wzorce lub strukturę w zbiorze danych. Przykładowo, dajemy zbiór zdjęć zwierząt bez opisów i oczekujemy od modelu pogrupowania podobnych obiektów, np. kotów z kotami.
• Uczenie przez wzmacnianie (reinforcement learning, RL) — model uczy się przez interakcję ze środowiskiem. Nie podajemy mu gotowych par wejście i prawidłowa odpowiedź, tylko pozwalamy wykonywać akcje, za które dostaje nagrody albo kary. Przykładowo, podłączamy agenta do gry lub symulacji, w której wykonuje ruchy, obserwuje ich skutki i z czasem uczy się strategii dającej najlepsze wyniki.

Jak więc widzimy, dwie z trzech klasycznych technik zakładają, że nie jest potrzebna ludzka interwencja.

Wejdźmy jednak głębiej. Uczenie nadzorowane można łączyć z nienadzorowanym, aby w dużym stopniu lub całkowicie wyeliminować etykietowanie przez człowieka. Możemy wyróżnić trzy podejścia:

• Uczenie częściowo nadzorowane (semi-supervised learning) — mała część danych wejściowych zawiera etykiety, natomiast reszta jest nieoetykietowana. Są różne podejścia do trenowania, np. uczymy model na danych oetykietowanych, używamy go do nadania etykiet pozostałym danym, a potem trenujemy model na powiększonym zbiorze.
• Uczenie ze słabym nadzorem (weak supervision) — dane mają etykiety, ale są one niedokładne, zaszumione, niepełne albo wygenerowane automatycznie, np. za pomocą heurystyk, reguł lub zewnętrznych źródeł.
• Uczenie samonadzorowane (self-supervised learning, SSL) — dane są początkowo nieoetykietowane, ale model otrzymuje zadanie automatycznego wygenerowania etykiet z samych danych. Przykładowo, w tekście można ukryć jedno słowo i kazać modelowi je przewidzieć. Oryginalne ukryte słowo staje się wtedy automatycznie utworzoną etykietą.

Vibe coding

A teraz na szybko o czymś, co pojawiło się dzięki LLM-om — vibe codingu. Terminu tego pierwszy raz użył w lutym 2025 r. Andrej Karpathy (współzałożyciel OpenAI), a oznacza programowanie przez promptowanie LLM-ów bez interwencji człowieka w kod. Zresztą zobaczcie tłumaczenie oryginalnego wpisu, który wprowadził to pojęcie:

Od tamtego czasu vibe coding bardzo poszedł do przodu. Najwięksi influencerzy promujący to podejście, np. Peter Steinberger (twórca OpenClaw) wręcz sugerują, żeby minimalizować ludzki udział w programowaniu. Interwencja człowieka ma kończyć się na uruchomieniu agenta AI (zwykle Claude Code albo Codex) w pętli, w trakcie której nieustannie dodają się nowe funkcje, naprawiają błędy, agent sam testuje aplikację i wypuszcza wersje. Przy okazji generując gigantyczne koszta, bo LLM-y są coraz droższe.

Niebezpieczne, samouczące się LLM-y

To teraz połączmy te dwie kropki w całość. Z jednej strony mamy techniki uczenia maszynowego, gdzie potrzebna jest minimalna ludzka interwencja lub żadna. Z drugiej strony możemy uruchomić w pętli agenta AI, żeby sam tworzył nowe oprogramowanie. Tylko w zasadzie, jak to do tej pory opisałem, to czy jest tu coś strasznego? Uczenie maszynowe, niezależnie czy nadzorowane, czy nie, to tylko statystyka, nieco zaawansowane obliczenia matematyczne. Natomiast vibe coding to w uproszczeniu napisanie do agenta AI „zrób mi aplikację”, a ten w pętli odpytuje LLM-a tak długo, aż zadanie zostanie wykonane.

Więc czy można na tym zrobić marketing straszący ludzi? Oczywiście, jeszcze jak! Przykładowo, możemy zlecić agentowi AI (opartemu na LLM-ie) zbudowanie i wytrenowanie nowego LLM-a albo dotrenowanie istniejącego. Sam proces treningu dzieje się bez udziału człowieka. Brawo, właśnie osiągnęliśmy poziom „inteligencji” naszych sztucznych inteligentów, którego trzeba się bać. LLM-y same się trenują i same tworzą nowe wersje siebie.

Zacznijmy najpierw od suchych faktów, wokół których nie było prowadzonego marketingu ze straszeniem, albo przynajmniej ja już nie potrafię nic znaleźć:

• Self-supervised learning jest powiązany z modelami językowymi już od dawna. Tak był trenowany googlowski BERT. O GPT-3 i starszych możemy przeczytać, że są m.in. „autoregresyjnymi modelami”, co dziś uznalibyśmy za SSL. W przypadku BERT trening wyglądał tak, że część tokenów była ukryta i model miał za zadanie je odtworzyć, co jest chyba najbardziej klasycznym przykładem tego podejścia.
• Wielkoskalowe trenowanie przez wzmacnianie zostało wykorzystane do wytrenowania DeepSeek-R1. Model nie dostał instrukcji jak przeprowadzać chain-of-thought, tylko sam odkrywał jak to wykonywać, będąc wynagradzanym za prawidłowe wyniki. Twórcy modelu opisali to jako self-evolution (samoewolucja).

O ile wczesne GPT i BERT interesowały tylko nielicznych zainteresowanych tematem uczenia maszynowego, to premiera DeepSeeka była bardzo głośna i odbyła się już w czasach boomu AI (2025 rok). Dość szybko pojawiły się różne clickbaitowe tytuły: straszenie, że model sam się uczył, że nie możemy tego zrozumieć, czy nawet że powstał obcy umysł. Były też bardziej wyważone artykuły, jednak dalej w alarmistycznym tonie (akurat w tym przypadku chodziło o fakt, że pierwsza wersja modelu miała problem — w trakcie chain-of-thought mieszała języki, co odbierano jako „myślenie niezrozumiałe dla człowieka”).

Skoro chiński model „sam się uczył” i wywołał tym poruszenie, to amerykańskie laboratoria nie mogły być gorsze. Otrzymaliśmy przykładowo GPT-5.3-Codex, o którym samo OpenAI napisało:

GPT‑5.3‑Codex to nasz pierwszy model, który odegrał kluczową rolę w stworzeniu samego siebie.

Dosłownie to jedno zdanie wywołało wielkie przerażenie pośród ludzi, co możemy zobaczyć chociażby w tym wątku na Reddicie. Do tego pojawiły się nagłówki typu, że było to pierwsze AI, które stworzyło samego siebie. Szczególnie że parę miesięcy wcześniej Sam Altman (CEO OpenAI) stwierdził, że firma celuje, aby mieć zautomatyzowanego naukowca-stażystę, a do 2028 r. AI-naukowca z prawdziwego zdarzenia. A w jaki sposób model zbudował samego siebie? Nie ma dokładnego opisu, ale z artykułu przedstawiającego model dowiadujemy się, że naukowcy z OpenAI wykorzystywali wcześniejsze wersje modelu do wsparcia w procesie jego treningu. Więc nawet nie był to proces w pełni zautomatyzowany, jak to opisywałem przy vibe codingu, tylko ludzie używali AI, aby łatwiej było im stworzyć AI.

W czerwcu 2026 r. oliwy do ognia dolał Anthropic, wypuszczając artykuł When AI builds itself. Przyznali tam, że ponad 80% kodu tworzonego u nich w firmie jest generowane przez Claude (co było dosłownie widać po wycieku źródeł Claude Code, a dokładniej po jakości tego kodu), a także, że niektórzy z ich pracowników na co dzień tak vibe codują, że od miesięcy nie napisali ręcznie ani jednej linijki kodu. Tym samym wskazali, że zbliżamy się do recursive self-improvement (po pol. rekurencyjne samodoskonalenie się modeli), i dlatego wezwali laboratoria AI do tymczasowego wstrzymania prac nad nowymi modelami, aby wszyscy mogli się na tę ewentualność przygotować. Sami jednak się nie zatrzymali, bo już parę dni później wypuścili zupełnie nowy model — Fable 5.

Recursive Self-Improvement

Teraz szybko powiedzmy sobie, o co chodzi z Recursive Self-Improvement (RSI) i czy faktycznie jest czego się bać.

Technicznie rzecz biorąc, mowa tutaj o następującej pętli:

1. AI analizuje własne ograniczenia.
2. Proponuje zmianę: kodu, architektury, danych treningowych, procedury treningowej, narzędzi, benchmarków albo sposobu prowadzenia eksperymentów.
3. Testuje, czy zmiana poprawia wynik.
4. Jeśli tak, wdraża poprawkę, dzięki której staje się lepsza w punktach 1–4.
5. Wracamy do punktu 1.

Co istotne, nie mówimy o wspomnianym wcześniej przy AGI samodoskonaleniu się działającego modelu, co moglibyśmy rozumieć jako samodzielne modyfikowanie się wag w poszczególnych neuronach „na żywym organiźmie”. Bardziej mowa tutaj o budowie kolejnej wersji, która jest lepsza, czyli prawie to, co dziś spotykamy (patrz opis powstania GPT-5.3-Codex). Różnica jest jedynie taka, że przy prawdziwym RSI człowiek zostałby całkowicie wyeliminowany z tej pętli, więc model także sam by się „wdrożył”.

To, co powoduje strach, to przyspieszenie rozwoju wywołane przez sprzężenie zwrotne. Jeśli nowe modele jeszcze bardziej przyspieszają badania nad kolejnymi wersjami, to pojawia się coś, co moglibyśmy zobrazować następująco:

Lepsza AI → szybszy rozwój AI → jeszcze lepsza AI → jeszcze szybszy rozwój AI.

Nazywa się to intelligence explosion (po pol. eksplozja inteligencji) — możliwości AI rosną bardzo szybko, szybciej niż ludzie, firmy i państwa są w stanie zrozumieć, kontrolować i regulować.

Na tę chwilę w pełni autonomicznego RSI jeszcze nie mamy. Samo Anthropic w swoim artykule przyznało, że ludzką przewagą jest zdolność oceny: w którym kierunku podążać z rozwojem, którym wynikom można ufać, a które podejście jest ślepą uliczką. Mimo tego nawet to, co mamy obecnie, realnie przyspiesza badania, co widać po tempie, w jakim wypuszczane są nowe modele. Można powiedzieć, że mamy słabsze RSI będące automatyzacją R&D, jednak nie jest to w żadnym stopniu AGI czy samoświadomy byt.

Moim zdaniem RSI jest realną koncepcją (aczkolwiek niekoniecznie w kontekście AGI) i widać dążenie do niej przez coraz większe oddelegowywanie do LLM-ów zadań związanych z tworzeniem kolejnych wersji modeli. OpenAI samo przyznaje, że jest to ich cel. Tylko że nie mamy potwierdzonego pełnego autonomicznego RSI. Nawet „model, który stworzył sam siebie” (GPT-5.3-Codex), nie stworzył samego siebie. Jedynie został wykorzystany przez badaczy do przyspieszenia prac. To, co mamy, to nadużywanie terminu RSI, aby straszyć niezaznajomionych z tematem.

Segment specjalny dla Anthropic

Dla osób niezaznajomionych ze światem sztucznej inteligencji najbardziej znaną firmą na tym polu jest zapewne OpenAI, a osobą Sam Altman. Jednak jeśli trochę głębiej wejdziemy w temat, to przekonamy się, że bardzo dużo do powiedzenia, nieraz mocno przesadzonych rzeczy, ma firma Anthropic i jej CEO Dario Amodei. Dlatego teraz chciałem poświęcić akapit różnym rzeczom, o których mówili, co okazało się mocno przesadzone, bez powielania tego, o czym do tej pory o nich wspomniałem.

Skąd się wziął Anthropic?

Najpierw szybki rys historyczny — Anthropic powstał w 2021 r. jako odłam OpenAI. Dario Amodei, wówczas VP of Research w OpenAI, wraz z grupą współpracowników odeszli z firmy po sporach o tempo komercjalizacji, bezpieczeństwo i kierunek rozwoju zaawansowanej AI. Oprócz Dario współzałożycielami byli Daniela Amodei, Jared Kaplan, Jack Clark, Chris Olah, Sam McCandiish, Tom Brown i Ben Mann. Większość z nich była współautorami GPT-2 i GPT-3, Kaplan dodatkowo był jednym z głównych badaczy prawa skalowania, a Daniela Amodei (siostra Dario) zajmowała się kwestiami bezpieczeństwa i polityki AI. Warto nadmienić, że Dario Amodei, w przeciwieństwie do CEO innych firm zajmujących się AI, jest naukowcem (ma doktorat z biofizyki) i nie był wcześniej przesiębiorcą. Zwykle jest to traktowane jako argument na plus dla niego, że przemawia z punktu widzenia naukowca, a nie typowego biznesmena.

AGI tuż za rogiem

Zacznijmy naszą przygodę z Anthropic i Dario Amodeiem od ich przewidywania, kiedy powstanie AGI. Na pewno nie są to wszystkie przykłady, bo jedynie pochodzą z niektórych wywiadów z Amodeiem, jego esejów i tekstów ze strony Anthropica. Posortowane chronologicznie:

• Sierpień 2023 r., podcast Dwarkesha Patela (między 24 a 29 minutą): najpierw dostajemy odpowiedź, że różne rzeczy, których ludzie się boją, mogą nadejść w ciągu kilku lat. Potem jest doprecyzowanie, że AI na ludzkim poziomie może nadejść w ciągu dwóch lub trzech lat.
• Październik 2024 r., esej Machines of Loving Grace: cała treść jest poświęcona wpływie AGI na świat. Dostajemy predykcję, że pojawi się w 2026 roku.
• Listopad 2024 r., podcast Lexa Fridmana (od 2 godziny i 17 minut przez kolejne 5 minut): Lex Fridman wprost pyta się, kiedy osiągniemy AGI. Dario Amodei początkowo nie chce odpowiedzieć, ale ostatecznie parę razy rzuca latami 2026 i 2027. Zaznacza jednak na początku, że jest to totalnie nienaukowe szacowanie.
• Luty 2025 r., podcast Hard Fork (między 30 a 32 minutą): modele, które potrafią robić wszystko to co ludzie, na 70-80% pojawią się do końca dekady, prawdopodobnie w 2026 lub 2027 roku.
• Marzec 2025 r., oficjalne rekomendacje Anthropica dla rządu USA: spodziewają się pojawienia powerful AI pod koniec 2026 lub na początku 2027 roku.
• Styczeń 2026 r., esej The Adolescence of Technology: tym razem poznajemy kolejną ciekawą nazwę — country of geniuses in a data center (kraj geniuszy w centrum danych), co przyrównane zostało do 50 milionów ludzi zdolniejszych od noblistów. Miałoby się to pojawić w okolicach 2027 roku. Do tego dostajemy stwierdzenie, że powerful AI definitywnie pojawi się w przeciągu roku-dwóch lat.
• Luty 2026 r., kolejny wywiad u Dwarkesha Patela (między 12 a 46 minutą): w ciągu 10 lat na 90% będziemy mieć country of geniuses in a data center. 10% niepewności zostało pozostawione na wydarzenia, które mogłyby spowolnić rozwój, jak zniszczenie fabryk półprzewodników czy inwazja na Tajwan. Stwierdza też, że szalonym byłoby twierdzić, że nie osiągniemy tego przed 2035 rokiem, a zarazem ma przeczucie, że stanie się to za rok, dwa lub trzy lata.
• Czerwiec 2026 r., Policy on the AI Exponential: najnowsza predykcja w momencie pisania artykułu. Według Amodeia, jeśli rozwój AI dalej będzie taki jak dziś, powerful AI osiągniemy za rok lub dwa lata.

Warto zwrócić uwagę, że nie ma tu wprost mowy o AGI, tylko o powerful AI, która ma zdolności ludzkie lub przewyższające ludzkie. Jak wczytamy się w te opisy, to zgadzają się one z tym, co opisałem w akapicie o AGI, i to niekoniecznie o słabej AGI. W jednym z zalinkowanych wyżej tekstów Amodei wprost przyznaje, że nie lubi nazwy AGI i preferuje powerful AI. Na razie część z tych przewidywań się nie spełniła, ale takie przesuwanie ram czasowych co kilka miesięcy, połączone ze straszeniem, trochę podburza wiarygodność. Dla porównania: w 2024 r. ankietowano prawie 3 tysiące autorów publikujących na czołowych konferencjach AI. Z badania wyszło, że dopiero w 2047 r. jest 50% szans na przekroczenie przez AI ludzkich możliwości w kontekście wykonywania wszelakich zadań. Natomiast pełna automatyzacja wszystkich zawodów mogłaby się wydarzyć (50% szans) w 2116 r.

Z racji tego, że często temat AGI miesza się z tematem świadomości AI, od razu dwa przykłady, w jaki sposób Anthropic traktuje ten temat:

• Exploring Model Welfare — w artykule możemy przeczytać, że w zasadzie nie wiemy, czy AI jest świadoma, więc powinniśmy zacząć rozmawiać o dobrostanie modeli. W zamieszczonym tam wideo możemy się dowiedzieć, że Anthropic szacuje, że modele Claude 3.7 mają między 0,15% a 15% szans na bycie świadomymi.
• Claude's Constitution — w dokumencie, szczególnie w rozdziale Claude's nature, możemy przeczytać, że należy rozpatrywać status moralny modelu i że może on posiadać uczucia i emocje. Możemy też przeczytać stwierdzenia, że Claude jest bytem nowego rodzaju i o personie czy samoświadomości sterującej wyjściem sieci neuronowej.

Jest tego więcej, ale nie chcę już dalej przeciągać tego akapitu. Jeśli argumenty, które przedstawiłem wcześniej w artykule, nie wystarczają Ci i chcesz poczytać rzeczową krytykę konkretnych twierdzeń Anthropica, polecam następujące teksty (po angielsku):

• A ‘post-human’ vision of AI is already causing problems,
• Hype, Anthropic’s Dario Amodei, the podcasters who love him — and how the New York Times’ commentary on AI has degenerated into industry cheerleading,
• There are no heroes in commercial AI,
• No, Artificial Intelligence Is Not Conscious.

Claude Code napisał kompilator C

W zasadzie odkąd powstał Claude Code, stał się wzorem tego, jak powinny działać agenty AI do kodowania. Na początku 2026 r. narzędzie to nie potrzebowało dodatkowej reklamy, bo niedługo po premierze w 2025 r. szybko zdetronizowało Cursora i GitHub Copilota. Programistom nie było trzeba tego reklamować. Jednak Anthropic od dawna powtarzało, że nadchodzi koniec ery programistów i zostaną oni zastąpieni przez LLM-y. W lutym 2026 r. postanowili pokazać światu, jak spore możliwości ma Claude Code. Dali agentowi AI zadanie napisania od zera kompilatora języka C w Rust.

Z oryginalnego artykułu wygląda to dość ciekawie. 16 agentów działających na modelu Claude Opus 4.6, uruchomionych w pętli (zbliżonej do Ralph Loop) przez 2 tygodnie wyprodukowało 100 tysięcy linii kodu w Rust, co kosztowo wyniosło 20 tysięcy dolarów (dziś pewnie wyszłoby przynajmniej dwa razy drożej). Według Anthropica kompilator potrafił zbudować jądro Linuksa, QEMU, FFmpeg i inne duże projekty otwartoźródłowe. Oczywiście także dało radę skompilować grę Doom, zgodnie z popularnym w IT żartem, że Dooma można odpalić na wszystkim. Sama praca jednak nie była w 100% po stronie AI. Pisanie kodu tak, jednak po stronie ludzkiej pozostało zaprojektowanie środowiska, w szczególności testów sprawdzających, czy wszystko idzie zgodnie z planem. Mimo wszystko brzmi to imponująco. Całość została opublikowana na GitHubie.

Jednak diabeł tkwi w szczegółach. Chociaż może to nie takie szczegóły. Dosłownie pierwszym zgłoszeniem błędu było, że... nie kompiluje się Hello World. Najprostsza aplikacja, od której każdy zaczyna swoją przygodę z programowaniem, się nie kompiluje. Jednak w obronę trzeba wziąć fakt, że jest to problem niedostosowania kompilatora do współczesnych wersji GCC (a kompilator od Anthropica wymaga do działania kompilatora GCC). Aczkolwiek takie coś powinno po prostu działać.

Jeśli ktoś chciałby przeczytać rzeczowe rozłożenie Claude C Compiler na czynniki pierwsze, polecam artykuł na jego temat od Chrisa Lattnera, twórcy kompilatorów LLVM i Clang. Jest on pod wrażeniem, bo pokazuje to coraz większe możliwości agentów do kodowania, ale samego kompilatora nie uznaje za coś rewolucyjnego. Warto też sprawdzić testy ROllerozxa, który postanowił skompilować różne aplikacje tym narzędziem. Udało mu się, jednak nie zawsze było to proste zadanie.

Warto też wspomnieć o rzeczach, do których samo Anthropic się przyznało:

• Wzorcem do implementacji było GCC. Stąd niektórzy uważają, że jest to rodzaj „prania kodu”, gdzie przepisuje się oprogramowanie na luźniejsze licencje (w tym przypadku z GPL na MIT).
• Poprawność kodu ani dokumentacji nie została zweryfikowana. Wprost odradzają korzystania z narzędzia. Sprawia to, że można zadać sobie pytanie — czy warto było tak „zmarnować” moc obliczeniową tylko na potrzeby demonstracji? Jednak nie byli pierwsi: miesiąc wcześniej Cursor spaliło jeszcze więcej pieniędzy na zvibecodowanie niedziałającej przeglądarki internetowej, co też ogłosili sukcesem.

Innymi słowy, była to udana demonstracja możliwości Claude Code pod kątem stworzenia prawie samodzielnie zaawansowanej aplikacji, jednak implementacja nie jest gotowa produkcyjnie i ma wiele wad. „Prawie samodzielnie” jest tu dość istotne, bo nie byliśmy świadkami sytuacji, gdzie agent zrozumiał i odtworzył działanie kompilatorów. Człowiek cały czas był w procesie i interweniował, a co zauważa Lattner, część kodu wygląda na optymalizację pod testy. Nie było też w tej implementacji nic nowatorskiego względem innych kompilatorów. Zarazem też, wbrew powszechnej narracji, test ten udowodnił, że programiści dalej są potrzebni, tylko w nieco zmienionej roli.

Interwencje rządu w AI

Anthropic jako bardzo skupione na bezpieczeństwie AI i, jak widzieliśmy wcześniej, szeroko przestrzegające przed nadchodzącą potężną sztuczną inteligencją, od dawna apelowało o państwową kontrolę tej technologii. Po kolei, co ciekawsze rzeczy dotyczące ich współpracy z rządem USA:

• Maj 2023 r.: Joe Biden i Kamala Harris spotkali się w Białym Domu z szefami amerykańskich firm zajmujących się AI, aby omówić bezpieczny rozwój tej technologii. W spotkaniu uczestniczyli: S. Pichai (Google), S. Nadella (Microsoft), S. Altman (OpenAI) i D. Amodei (Anthropic). Administracja USA chciała zapewnienia bezpieczeństwa systemów AI i wprowadzenia nowych legislacji je regulujących. Później w wywiadzie Altman przyznał, że wszyscy szefowie byli zgodni co do tego, że regulacje należy wprowadzić.
• Czerwiec 2023 r.: Anthropic wskazał konkrety: obowiązkowe ewaluacje ryzyka, testy przez zewnętrzne jednostki przed opublikowaniem nowego modelu i zgłaszanie dużych treningów AI.
• Lipiec 2023 r.: Anthropic wraz z Amazonem, Google, Inflection, Meta, Microsoftem i OpenAI podpisali dobrowolne zobowiązania Białego Domu dotyczące bezpieczeństwa AI. Zobowiązali się do zewnętrznych testów bezpieczeństwa przed wypuszczaniem modeli, dzielenia się informacjami o ryzyku z rządem i oznaczania treści generowanych przez AI.
• Październik 2024 r.: Zaproponowali, aby opracowana przez nich Responsible Scaling Policy (odpowiedzialna polityka skalowania) była prototypem dla regulacji firm zajmujących się AI.
• Listopad 2024 r.: Anthropic we współpracy z Palantirem i AWS udostępnił swoje modele do użytku amerykańskim agencjom wywiadowczym.
• Marzec 2025 r.: Z racji tego, że powerful AI może pojawić się pod koniec 2026 r., rząd powinien budować zdolność testowania wszystkich silnych systemów AI, zarówno lokalnych, jak i zagranicznych. Powinny być testowane pod kątem narodowego bezpieczeństwa, a do tego powinny zostać wprowadzone restrykcje eksportowe zarówno na moc obliczeniową, jak i wagi modeli (wartości poszczególnych „neuronów” w wytrenowanej sieci neuronowej).
• Lipiec 2025 r.: Anthropic zaproponował federalny transparency framework dla największych firm zajmujących się AI. Postulowali tam między innymi obowiązek publikowania kart modeli podsumowujących testy.
• Luty-marzec 2026 r.: Pentagon naciskał na OpenAI, Google, xAI i Anthropic, aby wojsko mogło używać ich modeli do wszystkich możliwych zastosowań, w tym wywiadowczych czy przy rozwoju broni. Anthropic nie zgodził się, aby ich modele służyły do masowej inwigilacji Amerykanów ani żeby były częścią autonomicznej broni. Dodatkowo wyszło na jaw, że modele Claude zostały wykorzystane podczas amerykańskiej operacji wojskowej w Wenezueli, a także podczas ataków na Iran. Donald Trump nakazał rządowi zaprzestania współpracy z Anthropiciem, a Pentagon uznał firmę za ryzyko w łańcuchu dostaw. Zarazem zagrożono im, że jeśli w ciągu 6 miesięcy nie będą współpracować przy wycofaniu swoich produktów z rządu, prezydent użyje wszystkiego co w jego mocy, aby zmusić ich do tego, włącznie z konsekwencjami karnymi.
• Czerwiec 2026 r.: Anthropic wprost poparł poważne i wiążące regulacje, włącznie z blokowaniem niebezpiecznych wdrożeń modeli przez rząd.
• Również czerwiec 2026 r.: Advanced AI Framework — postulat powstania agencji rządowej z uprawnieniami do działania na podstawie wyników testów AI. Miałaby nakładać kary, blokować wdrożenia, chronić sygnalistów i ograniczać już wdrożone modele.

I co się stało parę dni później w czerwcu? Rząd USA wprowadził zakaz eksportu modeli Claude Fable i Mythos, nakazując, że dostęp do nich mogą mieć jedynie obywatele USA. Nawet pracownicy Anthropicu bez amerykańskiego obywatelstwa nie mogli z nich korzystać. Z racji tego, że Anthropic przy rejestracji nie sprawdza obywatelstwa, odebrali dostęp wszystkim. Możemy się oczywiście śmiać, że padli ofiarą tego, co sami chcieli, a po całym ich straszeniu przyszła kryska na matyska. Jednak jest to dość niebezpieczny precedens z naszego punktu widzenia. O tym jednak później. Teraz czas na krótką przerwę na memiczny komentarz do tej całej sytuacji.

Częściowo trzeba przyznać rację Anthropicowi, że była to nagła decyzja, bez konkretnych procedur, transparentności czy technicznego standardu, co może być pokłosiem sytuacji z Pentagonem i przy okazji zagrozić ich debiutowi na giełdzie. Zdaniem niektórych (np. Aarona Leviego, CEO Box) sytuacja ta pokazuje, że regulacje mogą przynieść więcej złego niż dobrego. Według wspomnianego Leviego regulacje zatrzymałyby rozwój amerykańskiego AI i gdyby wprowadzić je wcześniej, LLM-y byłyby dziś na poziomie GPT-4. Wnioskuje też, że regulować powinno się przypadki użycia, a nie całe modele. Zresztą parę dni później pojawił się chiński model GLM-5.2, który w jednym zestawieniu wypadł lepiej niż Fable 5; w innych jest niemal na równi z GPT-5.5.

Na deser: 20. czerwca 2026 r. Donald Trump stwierdził w wywiadzie, że Anthropic nie jest już zagrożeniem dla bezpieczeństwa narodowego, chociaż jeszcze tydzień wcześniej był.

Europa nie ma AI

Jeśli korzystasz z mediów społecznościowych albo czytasz newslettery technologiczne, to pewnie wielokrotnie przewinął Ci się poniższy mem lub podobne.

W 2024 i 2025 r. bardzo wielu influencerów wyrażało w ten sposób niezadowolenie, że USA i Chiny inwestują w rozwój technologii, a Unia Europejska woli nakazywać przytwierdzanie nakrętek do butelek. Często przy okazji pokazywano bezsensowność unijnych regulacji (jak AI Act), a przy tym twierdzono (nieprawdziwie), że Europa nie ma AI. Przypatrzmy się tematowi nie tylko pod kątem tego, czy faktycznie Europa (Unia Europejska, Szwajcaria i Wielka Brytania) ma AI, ale też ogólnie jak wygląda w niej rozwój technologii. Uwaga: będzie trochę politycznie, bo nie da się niepolitycznie omawiać tematu Unii Europejskiej.

Europejskie AI

Zacznijmy od krótkiego pokazania, że Europa ma AI. Mówiąc Europa, mamy na myśli Unię Europejską, Europejski Obszar Gospodarczy czy też po prostu cały kontynent.

W kwestii dużych LLM mamy francuskiego Mistrala. Nie jest on może na poziomie GPT czy Claude, ale do codziennej pracy z tekstem, czatowania czy prostych researchów się nada. Nawet potrafi poradzić sobie w pracy agentowej przy użyciu Mistral Vibe. Mistral stawia przede wszystkim na rynek przemysłowy, nie na konsumencki jak OpenAI. Dzięki temu odpowiada za wdrożenia AI w takich europejskich korporacjach jak Airbus, BMW czy BNP Paribas. Jedną z największych zalet Mistrala jest to, że w przeciwieństwie do amerykańskich firm wszystkie swoje modele publikują do ściągnięcia przez każdego, nie jesteśmy ograniczeni do korzystania z ich API.

Wkrótce rynek LLM-owy w Europie może się rozszerzyć. Inna francuska firma, OVHCloud, zapowiedziała, że ma zamiar stworzyć własnego LLM-a. Podobnie jak Mistral, planują wszystkie swoje modele udostępniać do ściągnięcia dla każdego.

W kwestii bardziej wyspecjalizowanych AI realnie działające biznesowo jest DeepL — niemiecka firma założona przez Polaka. Specjalizuje się w oprogramowaniu do tłumaczeń maszynowych (konkurencja dla Google Translate). W maju została wyceniona na 2 miliardy dolarów i ma zamiar zainwestować 300 milionów w dalszy research.

Modele do generowania obrazów? Też mamy europejskie. Tutaj warto wspomnieć o dwóch firmach:

• Black Forest Labs — odpowiedzialni za modele FLUX. W grudniu 2025 r. byli najwyżej wycenianą niemiecką firmą AI.
• Stability.ai — jeśli chcemy dalej do Europy zaliczać Wielką Brytanię, to nie można zapominać o Stability, które jest odpowiedzialne za modele do generowania obrazów i muzyki z rodziny Stable Diffusion.

Oczywiście nie zapominajmy o polskim ElevenLabs, który specjalizuje się w realistycznej syntezie mowy i ich rozwiązania tego typu są jednymi z najpopularniejszych. W lutym 2026 r. zabezpieczyli wycenę o wartości 11 miliardów dolarów.

Rozwój europejskiej technologii

Więc jak to jest z tym, że Europa nie rozwija się technologicznie, skoro jednak jest trochę firm AI? Przejdźmy przez trzy punkty, na które zwykle się zwraca uwagę, dlaczego Europa jest nieco wolniejsza od reszty świata.

• Regulacje — można usłyszeć, że Unia Europejska jest nadmiernie regulowana, co blokuje innowacje. W kontekście sztucznej inteligencji oczywiście mówi się o AI Act, który wszedł w życie w sierpniu 2024 r. Głównie chodzi w nim o kontrolę ryzyka: transparentność algorytmów, oznaczanie treści generowanych przez AI, zasady zarządzania cyklem życia systemów, opis zakazanych praktyk. Zwraca się uwagę, że AI Act może stanowić globalny standard kontroli rozwoju AI, chociaż znajdziemy też głosy krytyczne, że regulacja jest zbyt złożona i może utrudniać innowację przez nadmierną komplikację. Z naszego punktu widzenia, jako obywateli, AI Act ma też takie pozytywne strony, że chroni przed social scoringiem czy biometryczną inwigilacją. Tym ostatnim punktem pamiętajmy, że regulacje może uprzykrzają życie firmom technologicznym, ale są wprowadzane dla dobra obywateli. Innym przykładem regulacji, która zebrała złą sławę, jest Akt o rynkach cyfrowych (DMA), głównie dlatego, że uderza w monopol amerykańskich big-techów.
• Fragmentaryzacja prawa — kolejny problem, na który zwraca się uwagę, to fakt, że Europa składa się z wielu niezależnych krajów, gdzie każdy ma: inne prawo spółek, inne podatki, inne prawa pracownicze, inne sądy, inne procedury upadłościowe. Brak jest jednego standardu dla startupów. W USA startupy rejestrują się jako C-Corp lub LLC w Delaware i jest to forma szeroko znana tam zarówno pośród założycieli, inwestorów, jak i pracowników. Jest pomysł w Unii Europejskiej stworzenia EU Inc., czyli spółki działającej jednocześnie we wszystkich krajach członkowskich. Może to być krok do przodu, aczkolwiek nie rozwiąże wszystkich problemów firm, np. niejednolitego prawa pracy czy różnych systemów podatkowych.
• Brak kapitału — duże uproszczenie, bo w Europie nie brakuje pieniędzy w porównaniu do USA, tylko problemem jest ich wykorzystanie. Europejczycy oszczędzają, ale przede wszystkim w bankach: bezpiecznie i z niskim ryzykiem. Za to oszczędności Amerykanów częściej trafiają na rynek kapitałowy, np. przez giełdę, fundusze, ETF-y czy konta emerytalne. Dla porównania — w UE jedynie 17% aktywów gospodarstw domowych było ulokowanych w papierach wartościowych, gdy w USA było to ok. 43%. Ta różnica ma znaczenie, bo depozyt w banku nie finansuje startupów ze względu na ryzyko. A startupy mogą przez lata przepalać pieniądze na badania i rozwój, stąd potrzebują kapitału, który jest gotowy zaakceptować dużą szansę porażki. Amerykański system finansowy lepiej zamienia prywatne oszczędności w taki kapitał, aczkolwiek europejski system jest bezpieczniejszy.

Nawiązując do grafiki, którą zacząłem akapit — wiesz, że holenderskie ASML to jedyna na świecie firma tworząca maszyny EUV, które są wykorzystywane w przemyśle półprzewodników do produkcji układów scalonych? W produkcji tych maszyn kluczowa jest też niemiecka firma Carl Zeiss tworząca dla nich optykę. Mamy też w Europie dużych producentów półprzewodników dla branży motoryzacyjnej — Infineon (Niemcy), NXP (Holandia) i STMicroelectronics (Szwajcaria, Francja). W Niemczech powstaje European Semiconductor Manufacturing Company, które ma być największą w Europie fabryką półprzewodników. W Unii Europejskiej powstał Akt w sprawie czipów (ECA), który ma zapewnić rozwój tej technologii w Europie. A bez niej, można śmiało powiedzieć, nie istniałaby elektronika taka, jaką znamy obecnie. Choćby dlatego mówienie, że Europa jest zacofana, że nie ma technologii, jest nieprawdą. Są powody, dla których rozwój jest wolniejszy, ale nie możemy zrównywać tego do prostego „USA ma OpenAI, a Europa nakrętki przytwierdzane do butelek”. UE (w przeciwieństwie do USA) nie jest jednym krajem, regulacje nie istnieją w celu uprzykrzania życia przedsiębiorcom ani też nie jesteśmy biedniejsi od Amerykanów.

Europa a amerykańska technologia

Warto w tym miejscu dodać, że coraz częściej się mówi o suwerenności cyfrowej Europy. Od czasu odcięcia dostępu do Claude Fable mam wrażenie, że w bańce AI doszło do przebudzenia w tej kwestii, że może warto zainteresować się europejskimi lub lokalnie hostowanymi modelami. Jesteśmy niesamowicie uzależnieni od amerykańskich rozwiązań, co poniekąd spowodowało brak szans wśród europejskich na rozwój, bo mało kto z nich korzysta. Nawet już abstrahując od tematu artykułu, spójrzmy nieco szerzej na dwa przykłady:

• Chmury — wybierając rozwiązania chmurowe, raczej domyślnie stawia się na AWS (Amazon), Azure (Microsoft) lub GCP (Google). Raczej nikt nie myśli o europejskich rozwiązaniach jak OVHCloud (Francja) czy Aruba Cloud (Włochy). Europejskie chmury stanowią zaledwie 15% rynku chmurowego Europy.
• Systemy operacyjne — na komputerach królują Windows (Microsoft, 62,2% rynku) i macOS (Apple, 14,6% rynku), chociaż trzeba oddać Linuksowi (otwartoźródłowy; europejskie korzenie, chociaż jest rozwijany w ramach zarejestrowanej w USA Linux Foundation), że jest szeroko wykorzystywany na serwerach (63% rynku). Linux oczywiście nie jest pojedynczym systemem ani czymś czysto europejskim. Prawdopodobnie najpopularniejszą dystrybucją Linuksa na serwerach jest Ubuntu (Wielka Brytania, 15% rynku). A spośród wszystkich urządzeń najpopularniejszym systemem operacyjnym jest Android (Google, 34,9% rynku), który bazuje na Linuksie.

Oczywiście zrozumiałe jest, dlaczego korzystamy z rozwiązań amerykańskich — są zwykle lepsze i bardziej rozbudowane. Ja przykładowo nie wyobrażam sobie przejścia z macOS na Linuksa, a jakbym mobilnie chciał korzystać z europejskiego Sailfish OS, to zostałyby mi do wyboru jedynie słabe telefony. Warto jednak zapoznać się z europejskimi alternatywami, bo może niektóre z nich spełnią Twoje oczekiwania. A nawet jeśli nie europejskie, to chociaż otwartoźródłowe, bo tutaj geografia nie ma już takiego znaczenia. Szczególnie że przykład Claude Fable pokazał nam, że możemy zostać w każdej chwili odcięci od amerykańskich rozwiązań. Warto zapoznać się ze stroną European Alternatives, gdzie znajdziemy z podziałem na kategorię różne usługi świadczone przez firmy z Europy, a także otwartoźródłowe alternatywy.

Pamiętajmy, że Claude Fable to nie pierwszy przykład odcięcia technologicznego reszty świata od USA. Od czasów drugiej wojny światowej aż do dziś USA reguluje eksport rozwiązań kryptograficznych i to nie tylko wojskowych — ograniczenia dotknęły np. przeglądarkę Netscape czy pakiet biurowy Lotus Notes. Ostatnio w mediach wspomina się też, że w 1999 r. zablokowano eksport poza USA komputera Apple PowerMac G4, bo jego moc obliczeniowa przekraczała 1 gigaflop (dla porównania, dzisiejsze telefony mają ponad 2 teraflopy, czyli są 2000 razy mocniejsze). Aczkolwiek nie zapominajmy, że jeszcze w 2025 r. Polska znalazła się na liście krajów z ograniczeniami importu kart Nvidia (a ile to razy słyszymy od polityków, że jakim Polska jest wspaniałym sojusznikiem USA). Skrajnym przykładem, bo jednak jesteśmy sojusznikiem USA, jest sytuacja związana z sankcjami na Rosję, w wyniku których usługi chmurowe odcięły Microsoft, Google i Amazon — pamiętajmy jednak o tym w kontekście korzystania usług zewnętrznych. A przyszłość jak wygląda? Przykładowo, w kontekście GPT-5.6 25 czerwca pojawiła się informacja, że rząd USA chce decydować klient po kliencie, kto ma dostęp do modelu.

A mówiąc o big-techach, zobaczmy jeszcze trzy przykłady ich działania w Europie:

• Łamanie DMA — wspomniałem wcześniej o akcie o rynkach cyfrowych, który chroni przed monopolizacją rynku europejskiego. W kwietniu 2025 r. Apple i Meta za swoje praktyki otrzymały grzywny w wysokości odpowiednio 500 milionów i 200 milionów euro.
• Naruszenie ochrony danych — w marcu 2024 r. doszło do naruszenia ochrony danych osobowych przez Komisję Europejską przez użycie usługi Microsoft 365, która przesyłała dane poza Europę. Rok później udało się naprostować sytuację, jednak powinna być to dla nas lekcja, że korzystając z amerykańskich usług, oddajemy Amerykanom nasze dane.
  • A tak na marginesie mówiąc o Microsoft, warto mieć w pamięci, że 13 lipca 2026 r. posiadacze wieczystych licencji na Office 2019 dla Mac... stracili dostęp do tego oprogramowania. Jest to idealny przykład, żeby pamiętać, że nawet jeśli producent obieca, że coś daje na zawsze, to wcale nie musi być to prawdą.
• Ograniczanie funkcji dla europejskich użytkowników — w tym przypadku głównie możemy mówić o Apple wykorzystującym DMA jako powód, dla którego Europa nie dostaje nowych funkcji. Wynika to przede wszystkim z tego, że iOS i iPadOS są zamkniętymi platformami i zewnętrzni programiści mają ograniczony dostęp do funkcji urządzenia, przez co Apple ma monopol na część oprogramowania. W 2024 i 2025 r. z tego powodu zapowiedziano opóźnienia tłumaczenia na żywo, iPhone Mirroring i dodatkowych funkcji map. W 2026 r. opóźniona została Siri AI, ponieważ Apple nie chce dać takich samych uprawnień innym asystentom. Co więcej, Apple chciało, żeby UE zrobiła dla nich wyjątek i dała im zwolnienie z regulacji na 18 miesięcy.

Zapamiętajmy więc, że warto walczyć o suwerenność cyfrową. Stawiajmy na rozwiązania otwartoźródłowe, krajowe i europejskie. Jeśli korzystasz u siebie z otwartoźródłowych rozwiązań, np. z lokalnej AI, Twoje dane zostają u Ciebie, Ty zarządzasz wszystkim. Natomiast korzystając z rozwiązań krajowych i europejskich, wspierasz lokalną gospodarkę i możesz mieć pewność, że spełniają one europejskie standardy. USA nie jest częścią Europy i, co pokazała sytuacja z Claude Fable, nie możemy traktować za pewnik, że będziemy mieli dostęp do tych samych rozwiązań technologicznych co oni. Jedna decyzja w Waszyngtonie może z dnia na dzień pozbawić nas dostępu.

AI by tego nie stworzyła

Myślę, że już dość sporo opowiedziałem o działaniu sztucznej inteligencji, czym ona jest, czym nie jest. Jednak do tej pory wszystko to było dość mocno skoncentrowane na zadaniowości modeli językowych. Dziś przecież mamy też modele generujące obrazy, wideo czy dźwięk. Do tego LLM-y powszechnie stosuje się do generowania artykułów bądź całych książek.

Innymi słowy, sztuczna inteligencja ma wpływ na konsumowaną przez nas rozrywkę i sztukę. Właśnie w tych dziedzinach często możemy zobaczyć kontrowanie ludzi z AI i chyba też najwięcej oburzenia o wykorzystanie sztucznej inteligencji. W końcu w kontekście niskiej jakości generowanych treści powstało popularne określenie „AI slop” (po pol. „AI pomyje”) podkreślające bezwartościowość tego, co tworzy AI.

Przyjrzyjmy się temu bliżej jako już ostatniemu poruszonemu przeze mnie tematowi.

Moje podejście do AI w kontekście sztuki

Najpierw jednak znowu chcę wrócić do mojej osoby i wyrazić swoje zdanie w tym temacie. Anty-AI puryści mogą mieć choćby do mnie zarzut o to, że artykuł jest ozdobiony rysunkiem, którego znaczna część została wygenerowana przez AI. Swoje zdanie w tej sprawie przedstawiłem już 2 lata temu, aczkolwiek chcę powielić najważniejszy punkt i trochę rozwinąć go z perspektywy pozablogowej.

Przede wszystkim okładek artykułów nie traktuję jako sztuki, to tylko ilustracja mająca przykuć uwagę. Jeśli nie używałbym AI, korzystałbym z grafik ze stocków (jak to robiłem wcześniej), a tam... nie dość, że ciężko znaleźć odpowiednio pasujące tematycznie rzeczy, to często są one generowane przez sztuczną inteligencję. Dlatego wolę już wygenerować coś na własną rękę i albo to ręcznie poprawić i urozmaicić (jak w tym artykule), albo celowo pozostawić niedoskonałości (np. w artykule o programistycznych dziwach pasują do tematu artykułu). Mogę zarazem zapewnić, że teksty tutaj są mojego autorstwa, a AI wykorzystuję co najwyżej przy pisaniu listingów kodu, interaktywnych prezentacji i od niedawna do generowania tekstów alternatywnych do zdjęć. Czasem także jako pomoc w wyszukiwaniu informacji, bo ostatnimi czasy ChatGPT lepiej szuka po Internecie niż Google.

Czym innym jest jednak dla mnie wykorzystanie AI w sztuce. W dużym ogóle unikam treści wygenerowanych przez AI, w szczególności wtedy, gdy pierwiastek ludzki ewidentnie skończył się na wpisaniu prompta. Głównym rodzajem sztuki, który mnie interesuje, jest muzyka, i bardzo nie lubię tego, że Spotify nie oznacza treści wygenerowanych przez AI (jest jedynie weryfikacja artysty, ale brak weryfikacji nie oznacza, że jest AI). Na szczęście weryfikacje wprowadzają powoli inne platformy, np. Deezer i Tidal.

Jestem otwarty na to, że AI może być stosowana jako narzędzie wspomagające pracę lub środek wyrazu artystycznego. Jednak masowe zalewanie Internetu wątpliwej jakości „dziełami” niewnoszącymi nic nowego nie jest czymś, co popieram.

Czy AI jest kreatywna?

Liczę, że po lekturze tego artykułu od razu przyszła Ci do głowy odpowiedź na to pytanie: nie, AI nie jest kreatywna.

Kreatywność to zdolność do tworzenia czegoś nowego, unikalnego i wartościowego, co jest wynikiem ludzkiego doświadczenia, emocji i intencji. AI może generować treści na podstawie danych, na których została wytrenowana, ale nie ma własnych doświadczeń ani emocji, które mogłyby wpływać na jej twórczość. Tak samo jak aparat fotograficzny czy pędzel — AI to tylko narzędzie mogące być używane przez ludzi do wyrażania swojej kreatywności, ale samo w sobie nie jest kreatywne. Jednak w kontekście modeli językowych możemy mówić o pewnym stopniu pomysłowości, co dosłownie oznacza generowanie nowych pomysłów. Warto zauważyć, że często właśnie w kontekście ludzkiej kreatywności mówi się, że „AI by tego nie wymyśliła”.

Angine de Poitrine kontra AI

Najświeższym popularnym przykładem ludzkiej kreatywności przeciwstawianej AI slopowi, w momencie pisania artykułu, jest kanadyjski duet muzyczny Angine de Poitrine, który nie dość, że wizualnie się wyróżnia, to jeszcze muzycznie jest to coś, czego nie znajdziemy w muzyce rozrywkowej. Jest to jak najbardziej kreatywne i widać/słychać u nich dużą wirtuozję, jednak polemizowałbym z twierdzeniem, że „AI by tego nie wymyśliła”.

Oczywiście, dosłownie mówiąc, AI (prawdopodobnie) nie wymyśliłaby nic takiego. Jednak fakt, że o niczym podobnym stworzonym przez AI nie słyszeliśmy, wynika moim zdaniem przede wszystkim z tego, że nikt promptujący modele nie wpadł na taki pomysł. Ewentualnie wpadł, tylko z góry stwierdził, że nie jest to coś, na czym można zarobić (bo raczej głównie dlatego powstaje muzyka AI). Muzyka powyższego duetu jest nietypowa, ale jest połączeniem elementów, które już istnieją — przede wszystkim math rocka i mikrotonalności (używanie dźwięków spoza typowej 12-tonowej skali, powszechne w muzyce arabskiej czy indyjskiej). A skoro istnieją, to jest szansa, że znalazły się w danych treningowych modeli. Stąd, przy umiejętności odpowiedniego promptowania, AI mogłaby wygenerować coś podobnego, aczkolwiek niekoniecznie wartego uwagi.

Sam spróbowałem — przekopiowałem do Suno jako prompt deskryptory muzyki tego duetu z RateYourMusic. Wyszło coś takiego. W pewnym sensie jest podobne, ale moim zdaniem mniej interesujące, mimo wszystko zbyt generyczne, czuć brak czynnika ludzkiego. Powiedzmy sobie szczerze — Suno i innym generatorom tego typu znacznie lepiej wychodzi generowanie typowej muzyki radiowej, która zwykle jest bardzo generyczna i nieraz tworzona według tego samego schematu. W końcu jest to produkt, który ma się podobać jak najszerszej grupie ludzi. Temat, dlaczego hity radiowe brzmią do siebie podobnie, poruszył Rick Beato i ja mogę od siebie tylko dodać, że z racji statystycznej natury modeli generatywnych, takie generyczne utwory są dla nich łatwiejsze do wygenerowania. Nawet nie zdziwiłbym się, jakbyśmy się dowiedzieli, że jakiś najnowszy hit wydany przez dużą wytwórnię został w pewnym stopniu wygenerowany przez AI*, a potem tylko poprawiony przez ludzi. W momencie pisania artykułu nie słyszałem jeszcze o takim przypadku.

Co z obrazami?

Przyczepiłem się w tym akapicie bardzo mocno tematu muzyki, ale to samo tyczy się modeli generujących obrazy. Powiedziałbym, że tam mamy nawet większe możliwości ze względu na mnogość różnie trenowanych modeli, z czego wiele solidnych możemy nawet uruchamiać lokalnie i tworzyć z nimi dowolne workflow (np. w ComfyUI) dla osiągnięcia różnorodnych rezultatów.

Oprócz samych modeli znajdziemy do nich także mnóstwo LoRA (Low-Rank Adaption, po pol. adaptacja niskiego rzędu), które możemy rozumieć jako pluginy dostrajające model pod np. konkretny styl czy generowanie konkretnych postaci. Wystarczy przejrzeć jakąś bazę typu CivitAI, żeby zobaczyć, co tylko można dzięki temu osiągnąć. Nie muszę chyba mówić, że jest to dość kontrowersyjne, bo często pozwalają nam odwzorowywać styl artystów, których prace nie są domeną publiczną, lub tworzyć obrazy ze znanymi osobami. Daje to jednak gigantyczne pole do popisu, jeśli tylko umiemy korzystać z modeli. Chociaż stosując takie zabiegi, jest spora szansa, że zamiast wygenerować coś wyglądającego unikalnie stworzymy kopię czyjegoś stylu. Wciąż jednak to nie AI jest kreatywne, tylko co najwyżej człowiek, który je wykorzystuje. Model generatywny jest jedynie narzędziem.

Ogólnodostępne modele, szczególnie te od największych dostawców, mają bardzo charakterystyczny styl. Obrazy wygenerowane przez modele od OpenAI (DALL-E, Sora, GPT-Image) da się łatwo rozpoznać, tym bardziej generowane przez nie logotypy — grube kontury, gładkie rozmycia, mnóstwo tego możemy znaleźć „w dziczy” (np. w pewnej polskiej telewizji naziemnej). Podobnie jest z obrazami generowanymi przez googlowskie Nano Banana, które dziś odpowiada za ogrom miniaturek na YouTube. Natomiast jeśli mamy zdjęcie z zaskakująco realistycznie wyglądającym Elonem Muskiem, a przy czymkolwiek związanym z Polską będą gdzieś w tle znikąd wplecione marki takie jak Żywiec, Biedronka i Prince Polo, to możemy być pewni, że to Grok. Wszystkie te modele mają spore umiejętności, jednak charakterystyczny sposób generowania jest zaletą, bo możemy łatwo rozpoznać, że mamy do czynienia z obrazem wygenerowanym przez AI.

Sztuka a technologia

Skoro już się dowiedzieliśmy co nieco o generowaniu muzyki i obrazów, zerknijmy nieco historycznie, jak sztuka się miała do sztucznej inteligencji, komputerów, a nawet po prostu do rozwoju technologicznego na przestrzeni lat. Przy okazji zerknijmy też w tym kontekście na współczesne środowisko artystyczne i jakie są przewidywania co do przyszłości sztuki.

Aparat fotograficzny wrogiem malarzy

„Od dziś malarstwo jest martwe” miał powiedzieć francuski malarz Paul Delaroche po zobaczeniu w 1840 r. dagerotypów — zdjęć zrobionych przez pierwszy szerokodostępny rodzaj fotografii zwany dagerotypią.

Aż do czasu wynalezienia fotografii to malarze odpowiadali za wizualne rejestrowanie historii. Bardzo realistyczne portrety, obrazy bitew, pejzaże — głównie to możemy zaobserwować w świeckim malarstwie. Chciano zachować wizerunki osób, pamięć o wydarzeniach czy pejzaże miejskie. Malarstwo wówczas na tyle mocno stawiało na realizm, że np. na podstawie bardzo szczegółowych wedut Canaletta odbudowywano po wojnie warszawskie Stare Miasto.

Fotografia jednak była szybsza, tańsza i dosłownie odwzorowywała rzeczywistość. Początkowo była problematyczna, czas naświetlania trwał kilka minut, ale mimo to w latach 50. XIX wieku w samym Paryżu wykonywano ok. 100 tysięcy portretów rocznie, głównie dla klasy średniej, której nie było stać na malarzy. Dzięki rozwojowi techniki od lat 70. XIX wieku zdjęcia zaczęły ilustrować wydarzenia w prasie.

Jednak aparat fotograficzny nie zabił malarstwa. Wymusił zmiany. Chociażby powstał nurt impresjonizmu, w którym zamiast na realizm malarze stawiali na uchwycenie subiektywnych, ulotnych wrażeń. Zaczęto coraz bardziej zmieniać formę, kluczowy zaczął stawać się pomysł (patrz np. obrazy Jacksona Pollocka czy Kazimierza Malewicza), narodziła się tzw. sztuka współczesna — szeroko nierozumiana przez usunięcie z niej realizmu.

Fotografia też stała się sztuką. Po I wojnie światowej narodził się dadaizm, w którym między innymi używano fotografii i fotomontaży w bardzo specyficznych kolażach. Surrealiści także zainteresowali się fotografią — zaburzali realistyczny obraz, manipulując skalą, czasem, perspektywą. Dziś nie jest niczym dziwnym, że w galeriach mamy wystawy zdjęć. Także nie dziwią przykłady malarzy, którzy trudnią/trudnili się również fotografią (np. Zdzisław Beksiński).

Nie chcę w tym momencie mówić, że modele generatywne są dziś tym samym, czym w XIX wieku był aparat fotograficzny. Bardziej chcę pokazać na tym przykładzie, że sztuka przetrwała i zaadoptowała rewolucję technologiczną. Coś, co miało zabić malarstwo, przetransformowało je. W malarstwie bardziej niż realizm zaczęto doceniać pomysł, kreatywność, technikę — można by powiedzieć, że zaczęto mocniej zwracać uwagę na pierwiastek ludzki. A sama fotografia stała się także dziedziną sztuki, nie ma jedynie funkcji dokumentacji rzeczywistości.

AI w sztuce przed współczesnymi modelami

Kolejną nowinką technologiczną, którą przyjęli artyści, były komputery. Jednak nie chcę teraz się skupiać na całej, prężnie działającej dziedzinie sztuki cyfrowej, tylko na drobnym wycinku — na tym, w jaki sposób do tworzenia sztuki wykorzystywano narzędzia sztucznej inteligencji od najwcześniejszych dni ich istnienia.

Jak pamiętasz z początku artykułu, historia uczenia maszynowego sięga lat 40. XX wieku, czyli jest to dziedzina równie stara co komputery. Była też generatywna AI powstała bez użycia sieci neuronowych. Nie wyglądało to tak jak dziś, nie pisaliśmy na czacie „przerób moje zdjęcie na styl Ghibli”. Zamiast tego była spora pomysłowość, algorytmiczne eksperymenty i ręczne kodowanie reguł opisujących, kiedy coś przestaje być losowością, a zaczyna być sztuką. Zobaczmy co ciekawsze przykłady wykorzystania AI w sztuce od połowy XX wieku aż do 2023 r.

Zacznijmy od wspomnianego wcześniej przeze mnie Harolda Cohena i jego obrazów tworzonych przez AARON. Zaczynał jako malarz, w latach 50. XX wieku skończył University of London’s Slade School of Fine Art i już w latach 60. jego dzieła były wystawiane na całym świecie. Pod koniec tej dekady zainteresował się komputerami i dołączył do wydziału sztuki na University of California. Cohen nauczył się programowania (początkowo w FORTRAN, potem w C; w późniejszych latach LISP) i opracował system rysowania AARON. Aż do śmierci artysty w 2016 r. powstało wiele wersji tego programu. Był to zestaw odgórnie zaprogramowanych reguł stale udoskonalanych przez Cohena, opisujących jak rysować, a same rysunki były następnie przenoszone na papier za pomocą plotera (w pierwszych wersjach z użyciem małego robota „żółwia”). Pierwsze obrazy były proste i czarno-białe, ale wraz z kolejnymi wersjami AARON-a coraz bardziej rozbudowane. W 1995 r. AARON był nawet w stanie kolorować swoje obrazy (wcześniej Cohen robił to ręcznie). Obrazy Harolda Cohena stworzone za pomocą AARON-a znajdują się w największych muzeach świata jak np. Tate Gallery, a wystawy jego dzieł do dziś odbywają się na całym świecie. Obecnie przede wszystkim w celu pokazania, jak generatywna sztuka wyglądała przed czasami DALL-E i Midjourneya.

W muzyce również mieliśmy artystów eksperymentujących z wykorzystaniem sztucznej inteligencji czy po prostu generatywności. W środowisku technicznym najbardziej znany jest David Cope. W 1981 r. rozpoczął pracę nad programem EMI (Experiments in Musical Intelligence), stając się tym samym jednym z najważniejszych badaczy wykorzystania sztucznej inteligencji do generowania muzyki. Program był w stanie naśladować styl różnych kompozytorów — początkowo samego Cope'a, później także Bacha, Mozarta, Chopina i wielu innych. Cope wydawał w latach 90. tak wygenerowaną muzykę, przykładowo Classical Music Composed by Computer (1997 r.). Później Cope opracował nową aplikację — Emily Howell, która potrafiła tworzyć bardziej zróżnicowaną muzykę. Przykładowe wydawnictwo — From Darkness, Light (2010 r.). Odbiór? Mieszany. Z jednej strony podkreślano, że kompozycje są zaskakująco dobre, jednak krytykowano za brak „duszy”, ludzkiego pierwiastka. Podkreślano, że jest to rekombinacja, a nie typowa samodzielna twórczość. W zasadzie jest to ta sama krytyka, którą spotykamy przy dzisiejszej muzyce AI.

Pośród szerzej znanych muzyków, którzy korzystali z podobnych technik, jest Brian Eno (klawiszowiec zespołu Roxy Music, później artysta solowy; przypisuje mu się stworzenie gatunku muzyki elektronicznej ambient). W 1996 r. we współpracy z SSEYO wydał aplikację Generative Music 1. Było to 12 piosenek trwających 2 godziny, wydanych na dyskietce (nośniku, który miał zaledwie 1,44 MB), gdzie każda z piosenek była jedynie zestawem instrukcji i reguł, w jaki sposób stworzyć dany utwór. Tutaj możesz sprawdzić, jak to brzmiało, a następnie tutaj, żeby zobaczyć, że nigdy nie odtwarzało się tego samego. Lata później Eno przeniósł tę ideę na aplikacje mobilne, np. Bloom. W jego przypadku odbiór był lepszy niż u Cope'a — przykładowo, w recenzji jednej z jego płyt poruszono temat aplikacji Bloom, gdzie zadano pytanie, czy artysta jest jeszcze potrzebny, skoro można sobie wygenerować jego muzykę, ale płyta udowodniła, że tak.

Wracając do tematu obrazów, o wykorzystaniu sieci neuronowych do tworzenia grafik mogliśmy pierwszy raz usłyszeć dzięki googlowskiemu DeepDream w 2015 r. Nie był to generator taki jak dziś, gdzie wpisywaliśmy, co chcemy uzyskać. Zamiast tego dawaliśmy sieci początkowy obraz, a ta iteracyjnie „niszczyła go” przez znajdowanie i wzmacnianie wzorów, co w efekcie dawało psychodeliczny efekt. Reakcje były pozytywne. Obrazy stworzone przez inżynierów Google'a pokazywano na wystawach i nawet część z nich została sprzedana na aukcji za niemal 100 tys. dolarów.

W 2017 r. zespół Foster The People wykorzystał DeepDream do stworzenia psychodelicznych efektów w teledysku do nagrania Doing It for the Money, tym samym jest to jeden z pierwszych teledysków wykorzystujących grafikę AI. Nie znalazłem żadnych krytycznych opinii na temat użycia tej technologii. Bardziej traktowano to jako filtr, efekt komputerowy, element postprodukcji, ciekawostkę. Warto też dodać, że po 2 latach DeepDream zdążył stać się już nieco zapomniany, więc zespół nie załapał się na falę popularności technologii.

Wykorzystanie współczesnego AI pośród artystów

Przejdźmy do współczesności. Nie chcę się tutaj skupiać na „artystach” generujących dzieła za pomocą AI, tylko bardziej na tym, w jaki sposób faktyczni artyści wykorzystują AI i z jakim odbiorem się to spotyka. Kilka przykładów ze świata muzyki, aczkolwiek niezwiązanych z generowaniem muzyki:

• Teledysk do „Lost” Linkin Parku (2023 r.) — AI (Kaiber) zostało wykorzystane do przerobienia archiwalnych ujęć zespołu na styl anime, który miał pasować do ręcznie rysowanej reszty teledysku. Odbiór był mieszany. Z jednej strony wykorzystywanie nowinek technologicznych pasowało do zespołu, z drugiej jednak krytykowano za użycie AI. Podkreślano, że wygląda to jak brzydki filtr i taki syntetyczny efekt nie pasuje do świeżo wydanego po latach utworu ze zmarłym wokalistą. Dla porównania warto dodać, że 19 lat wcześniej zespół wydał teledysk do Breaking The Habit, który także został zrealizowany w podobnym stylu, jednak ujęcia zespołu były ręcznie animowane. Po 19 latach teledysk ten wciąż wygląda dobrze, natomiast Lost zestarzał się bardzo źle przez zaledwie 3 lata.
• Okładka wygenerowana przez AI na płycie zespołu Tears For Fears (2024 r.) — w tym przypadku odbiór był niemal całkowicie negatywny. Po ogłoszeniu płyty w komentarzach na Instagramie zespół został skrytykowany przez wielu komentujących za AI slop. Późniejsze tłumaczenia, że AI było tylko jednym z narzędzi w procesie, nie pomogły. Komentujący podkreślają, że artyści nie powinni używać narzędzi, które „kradły” dzieła innych artystów (kwestia łamania praw autorskich przy procesie trenowania). Poniekąd można zrozumieć krytykę, bo okładka nie jest skomplikowana i zespół odpowiedzialny za jedne z największych przebojów lat 80. powinien po prostu zorganizować taką sesję zdjęciową.
• AI-wizualizacje u Bring Me The Horizon (2024-2026 r.) — tutaj sprawę można podzielić na dwie części. Z jednej strony krytyka spotkała zespół za wykorzystanie AI jako efektu na wizualizacjach koncertowych, dokładniej jest to przekształcanie żywego obrazu z kamery nakierowanej na wokalistę w celu przekształcenia go w demona (można to zobaczyć np. tutaj na nagraniu z koncertu w Krakowie, ok. 1:50). Z drugiej krytyka tyczy się użycia grafik AI na oficjalnych gadżetach sprzedawanych przez zespół (tutaj przykład). W tym pierwszym przypadku warto zauważyć, że jest to efekt wykonywany w czasie rzeczywistym i takie efekty zawsze w mniejszym lub większym stopniu wykorzystują sztuczną inteligencję (co najmniej do śledzenia twarzy, usuwania tła itd.), tylko tu idzie to o krok dalej. Do tego zespół jest znany z eksperymentowania i głównym motywem wizualizacji koncertowych zespołu jest sztuczna inteligencja, więc użycie jej nie powinno dziwić. Spierać się można w kwestii, czy wygląda to dobrze. W drugim przypadku krytyka dotyczy tego, że duży zespół, który za oficjalne gadżety życzy sobie niemałe pieniądze, mógłby zatrudnić ilustratorów, tak jak to robili wcześniej. Aczkolwiek tutaj coś się zmieniło, bo na oficjalnym sklepie zespołu, w momencie pisania tych słów, nie widziałem grafik wyglądających na wygenerowane przez AI.
• Rekonstrukcja głosu Boya George'a w nagranej na nowo wersji „Karma Chameleon” (2026 r.) — zespół Culture Club postanowił wykonać manewr podobny do Taylor Swift i nagrać na nowo swój największy przebój, aby mieć wersję z pełnymi majątkowymi prawami autorskimi. Jednak po 43 latach Boy George nie operuje już takim wokalem jak w młodości więc postanowili wykorzystać tutaj AI. Wokal został nagrany normalnie, jednak następnie głos został zmieniony za pomocą sztucznej inteligencji wytrenowanej na głosie młodego Boya George'a. Z jednej strony nie ma tu już sporu o prawa autorskie — artysta uczestniczył w całym procesie. Przyjęcie było jednak mieszane, fani zaczęli zadawać pytania, po co takie coś robić. Boy George broni nowej wersji, mówiąc, że nie miała zastąpić oryginału, tylko być jego ewolucją. Sam(a) oceń, czy jest to ewolucja, porównując zalinkowaną wyżej wersję z oryginałem.

Jeszcze dorzućmy na szybko przykłady z Polski, w tym jeden niemuzyczny (o którym chyba nie dało się nie słyszeć):

• Teledysk do „Futurama 3” Quebonafide (2024 r.) — prawdopodobnie pierwsze głośne wykorzystanie AI w polskim show-biznesie. Przy produkcji użyto m.in. Midjourney, Runway, Luma i Stable Diffusion. Wykorzystanie AI nie jest tutaj w żaden sposób ukryte — jest bardzo wyraźne, będąc jedną z głównych atrakcji teledysku. Odbiór był pozytywny, często podkreślano, że teledysk, mimo że powstał w bardzo krótkim czasie, do tego na domowym sprzęcie, nie ustępuje drogim realizacjom. Zebrał też nagrody: Best VFX na Berlin Music Video Awards i Fryderyka za teledysk roku.
• Teledysk do „Na błysk” Dawida Podsiadły (2026 r.) — minęły niecałe dwa lata i dostaliśmy całkowicie odwrotną reakcję. Mimo tłumaczeń, że AI zostało wykorzystane tylko w procesie postprodukcji, Podsiadło został mocno skrytykowany za jej użycie. Można spotkać się z opiniami, że wynika to z tego, że do Quebonafide AI po prostu pasuje, a u Dawida ludzie oczekują autentyczności, „ludzkości”.
• Olga Tokarczuk korzystająca z AI (2026 r.) — pisarka przyznała, że podczas pracy nad nową powieścią posiłkuje się sztuczną inteligencją: „kochana, jak mogłybyśmy to pięknie rozwinąć?”. Zarazem w tej samej wypowiedzi przyznała, że żal jej epoki, która przemija, gdy literatura była pisana w samotności. Po krytyce sprostowała, że AI nie pisze powieści za nią, a jedynie wykorzystuje ją do wstępnego researchu; chociaż wypowiedź bardziej sugerowała oryginalnie, że model pomaga rozwijać fabułę. Tłumaczenie to na niewiele się zdało i krytyka pojawiła się także poza granicami naszego kraju. Co warto dodać (często pomijane, bo zwykle cytaty ograniczają się do zacytowanego przeze mnie wyżej pytania), oryginalna wypowiedź miała też tezę, że to pisarze są najlepiej stworzeni do korzystania z AI.

I co dalej?

AI jednak zostanie z nami, nie zniknie z dnia na dzień. Co więcej, będzie stawać się coraz lepsza. Jak jednak przyszłość z AI postrzega świat sztuki?

Patrząc na reakcje na powyższe przykłady czy też wiele innych dyskusji w Internecie, pytania skupiają się przede wszystkim na kwestiach: praw autorskich (na jakich danych był trenowany model, czy była zgoda?), kto zarabia na AI, a do tego czy jest używana jako wsparcie, czy zastąpienie twórcy.

W 2024 r. przeprowadzono badanie na grupie 459 artystów, gdzie zadano im różne pytania dotyczące obaw związanych ze sztuczną inteligencją. Polecam oczywiście zajrzeć do tego badania po dokładne wyniki, tutaj trochę skrócę. 61,87% badanych przyznaje, że modele AI są zagrożeniem dla pracowników sztuki, ale zarazem 44,88% uznało sztukę AI za pozytywny rozwój (co ciekawe, 22,03% poparło obie tezy). 80,17% ankietowanych chciałoby, aby wprost ujawniano, na czym dokładnie były trenowane modele. 50,97% uznało, że nie chce wynagrodzenia za to, że to na ich dziełach odbył się trening, tylko chciałoby wiedzieć, kto na tym zarabia. 22,80% uznało, że nie musi zarabiać na modelach AI, ale zarazem nie chce, żeby firmy zarabiały na czymś, co zostało wytrenowane na ich dziełach.

Można przy tym zauważyć dwie rzeczy. Po pierwsze, w środowisku (przynajmniej w 2024 r.) były jednocześnie fascynacja, jak i lęk związane z pojawieniem się generatywnej AI. Drugie, że przynajmniej dla badanej grupy nie jest problemem użycie ich prac w procesie trenowania, tylko to, kto potem na tym wszystkim zarabia.

W 2026 r. opublikowano kolejne badanie, tym razem na grupie 378 profesjonalnych artystów wizualnych, gdzie zadano im pytania dotyczące wpływu AI na ich karierę zawodową. Tutaj nastroje były zdecydowanie bardziej negatywne. Większość artystów zdecydowanie sprzeciwia się użyciu generatywnej AI (zarówno modeli językowych, jak i generujących obrazy). Zgłaszają też stres i ograniczenie możliwości zawodowych. 80% uważa, że konkurują z generatywną AI, a aż 90%, że ta zmniejszyła ich szanse zarobkowe.

Wróćmy znowu do 2024 r. i do tematu muzyki. W ramach Artist Rights Alliance 200 znanych artystów (m.in. Aerosmith, R.E.M., Billie Eilish) oraz spadkobiercy praw (m.in. Boba Marleya i Franka Sinatry) podpisali otwarty list wzywający do akcji przeciwko „predatory use”, czyli m.in. imitowania głosów czy wizerunku, a także narzędziom, które podważają lub zastępują pracę twórców. Warto podkreślić, że list nie wzywa do całkowitego zakazu AI, podkreślane jest, że jest to technologia o sporym potencjale. Więc tutaj nie mamy walki z technologią, tylko z sytuacją, w której AI kopiuje głos, styl i dorobek artysty bez zgody i produkuje na tej bazie konkurencyjne treści.

Żeby nie było tylko negatywnie, to istnieją też pozytywne przypadki zastosowania AI jako narzędzia twórczego. Przykładem może być brytyjski gitarzysta Samuel Smith, u którego w 2020 r. zdiagnozowano chorobę Parkinsona i nie był w stanie już korzystać z instrumentów. Wykorzystał narzędzia AI takie jak Suno czy Udio, aby zamieniły jego melodie, które nucił do mikrofonu, w kompletne aranżacje. Następnie, na bazie tak wygenerowanych utworów, instrumentaliści nagrali album „The Art of Letting Go” (na ostatecznym miksie nie ma dźwięków wyprodukowanych przez AI). Przykład ten pokazuje, że AI może być wykorzystywane jako narzędzie twórcze i zarazem nie odbierać pracy muzykom.

Podsumowanie

Uff, to była długa podróż. Dlatego aby podsumować artykuł, chciałbym wypisać najważniejsze moim zdaniem punkty, które chciałbym, abyś zapamiętał(a) po tej lekturze:

• Sztuczna inteligencja to szeroka dziedzina informatyki. Popularne dziś modele generatywne stanowią jedynie jej mały wycinek.
• Ogólna sztuczna inteligencja w lipcu 2026 r. jeszcze nie została osiągnięta, jeśli rozumiemy ją jako superinteligencję. Jeśli rozumiemy ją jako wypowiadanie się na każdy temat, nawet bez sensu, to ją osiągnęliśmy (słaba AGI).
• Współczesne modele sztucznej inteligencji bazują na sztucznych sieciach neuronowych, w szczególności na architekturze transformera. Można powiedzieć, że są niczym więcej jak bardzo rozbudowanym narzędziem statystycznym.
• Popularne modele językowe działają na zasadzie przewidywania następnego słowa w tekście, nawet w przypadku czatu.
• AI nie posiada świadomości albo przynajmniej nie jesteśmy w stanie tego określić, bo nie mamy konsensu na podstawie czego zdefiniować jej istnienie. Na pewno nie możemy polegać na tym, że model językowy sam nam powie, czy jest świadomy, czy też nie, bo jego odpowiedzi będą zależeć od danych treningowych i instrukcji systemowych.
• Sztuczna inteligencja to tylko oprogramowanie, nie roboty. Roboty mogą istnieć zarówno z AI, jak i bez AI.
• Nie ulegaj marketingowi firm zajmujących się AI ani influencerom, bo często podkoloryzowują rzeczywistość (w szczególności Anthropic).
• Jeśli możesz, korzystaj z otwartoźródłowych, lokalnych lub europejskich rozwiązań. Im dalej geograficznie i politycznie od nas, tym większe ryzyko utraty dostępu w nieoczekiwanym momencie.
• Generatywna AI jest wspaniałym narzędziem, ale nie oznacza to, że powinna być używana wszędzie i do wszystkiego. Zostawmy w naszym życiu, w naszym otoczeniu jakikolwiek pierwiastek ludzki.

Zdaję sobie sprawę, że wielu tematów w tym artykule nie poruszyłem, chociaż i tak osiągnął on monstrualne rozmiary. Celowo ominąłem temat zagrożeń, które niesie za sobą sztuczna inteligencja, bo jest to bardzo rozbudowany temat, który można traktować z wielu różnych stron (np. zagrożenia ekonomiczne, polityczne, psychologiczne czy już całkowicie futurystyczne rozważania), chociaż i tak częściowo zdążył tu wybrzmieć. Dlatego chociaż uderzmy temat zagrożeń nieco powierzchownie, na luzie.

Gdy byłem mały, byłem uczony, aby nie wierzyć w to, co jest mówione w telewizji. Dziś warto podawać w wątpliwość wszystko to, co widzimy w Internecie, na przykład to poniższe, które mógłbym łatwo masowo generować prostym skryptem. Grok chętnie wkłada Elona Muska w dowolne sytuacje i przypisuje mu przeróżne rzeczy.

Warto też traktować z rezerwą to, co otrzymujemy od AI. Zarówno gdy model pisze coś sam z siebie, jak i gdy powołuje się na one reddit user. Dobra rada: zawsze włączaj funkcję wyszukiwania w sieci i sprawdzaj, czy w przywołanym źródle jest ta sama informacja. Jeśli masz możliwość i czas, użyj tego samego zapytania w kilku różnych czatbotach i porównaj wyniki.

A na koniec jeszcze dwie kulturalne polecajki związane ze sztuczną inteligencją. Wcześniej były trzy filmy, teraz dwie gry, które pokazują temat apokalipsy AI, ale od nieco innej strony niż typowe science fiction:

• Primordia — przygodówka przenosząca nas do świata, gdzie istnieją tylko maszyny, a jedyna pozostałość po ludziach to mity. Główny bohater spędza całe dnie na studiowaniu Księgi Człowieka skupiającej jedyne pozostałe informacje o ludzkości.
• I Have No Mouth, and I Must Scream — komputer AM po zagładzie niemal całej ludzkości więzi pięciu ocalonych i torturuje ich w wirtualnych światach, każąc im przeżywać traumatyczne przeżycia.
  Tak, wiem, że gra jest zrobiona na podstawie opowiadania, ale nigdy go nie czytałem, stąd ciężko mi je polecić. Natomiast scenarzystą gry był autor tegoż opowiadania, więc zakładam, że wiernie opowiada wszystkie oryginalne idee.

Narzędzia użyte w artykule

Jeśli interesuje Cię, czym się posiłkowałem, pokazując działanie sztucznej inteligencji, poniżej znajdziesz listę narzędzi:

• Narzędzia lokalne:
  • LM Studio — odpalanie lokalnych modeli językowych i interfejs do rozmowy z nimi. W artykule wykorzystałem poniższe:
    • bielik-11b-v3.0-instruct,
    • pllum-12b-chat,
    • deepseek-llm-7b-base,
    • qwen3.6-35b-a3b,
    • medgemma-1.5-4b-it.
  • AnythingLLM — interfejs do rozmowy z modelami językowymi po API. Wykorzystałem go do pokazania rozmowy z GPT-4o-mini.
  • ComfyUI — interfejs do tworzenia workflow dla modeli generatywnych. Wykorzystałem go do wygenerowania prezentacji działania następujących modeli dyfuzyjnych:
    • Stable Diffusion 1.5,
    • ERNIE-Image.
• Narzędzia online:
  • OpenRouter — dostęp do modeli po API. Wykorzystałem poniższe:
    • GPT-4o-mini — rozmowa o świadomości,
    • Grok Imagine Quality Mode — fejki z Elonem.
  • DeepDream przez Google Colab — przerobione logo bloga.
  • Suno — generator muzyki użyty do wygenerowania przykładowego utworu.
  • Nano Banana poprzez Gemini — „miniaturka” na YouTube.

Zrzuty ekranu z podsumowania pochodzą z moich „archiwów”, aczkolwiek nie były robione z myślą o tym artykule. Jeśli kogoś ciekawi, były to: konwersacja z ChatGPT i zapytanie do Google.

Literatura